skillswiki.
Профессии/Аналитик данных/Junior
Подборка материалов · Junior

103 статей для Junior аналитика данных: большая подборка

Материалы для старта в аналитике данных: Excel, SQL, статистика, Python, очистка и визуализация данных, BI и первые проекты.

103 статей · 10 тем · материалы на русском языке

Профессия и аналитическое мышление

  1. Как создать AI-аналитика во время учебы: кейс выпускного проекта студентов Школы аналитиков данных МТС

    Чтобы формулировать вопросы и проверять выводы данными.

  2. История появления профессии аналитика данных. Понятие данных, аналитика данных. Почему появились аналитики данных

    Чтобы формулировать вопросы и проверять выводы данными.

  3. Как я учился на аналитика данных

    Чтобы формулировать вопросы и проверять выводы данными.

  4. Как аналитики данных используют нейросети для бизнес-пользователей и что такое разговорная аналитика

    Чтобы формулировать вопросы и проверять выводы данными.

  5. Путь в аналитику данных: базовый минимум для старта

    Чтобы формулировать вопросы и проверять выводы данными.

  6. Cобеседование на позицию стажера в Яндекс на аналитика данных

    Чтобы формулировать вопросы и проверять выводы данными.

  7. Как мы перестали гонять данные туда-сюда и подружили OLTP с аналитикой: знакомьтесь, Postgres Pro AXE

    Чтобы формулировать вопросы и проверять выводы данными.

  8. Базовый Python для аналитика данных: подборка для самостоятельного обучения

    Чтобы формулировать вопросы и проверять выводы данными.

  9. Как я ad-hoc задачи аналитиков автоматизировал

    Чтобы формулировать вопросы и проверять выводы данными.

  10. Как аналитики данных используют ИИ для решения своих задач

    Чтобы формулировать вопросы и проверять выводы данными.

  11. Как я пришёл в аналитику, устроился в бигтех и понял, что только на рабочих задачах у меня не получится расти

    Чтобы формулировать вопросы и проверять выводы данными.

  12. Семь смертных грехов в работе аналитика данных

    Чтобы формулировать вопросы и проверять выводы данными.

Excel и электронные таблицы

  1. Что недоговаривают Тинькофф Инвестиции. Вытаскиваем все данные по портфелю через API в большую таблицу Excel

    Чтобы быстро считать и проверять данные в таблицах.

  2. Самый популярный язык программирования — Excel. И он Тьюринг-полный

    Чтобы быстро считать и проверять данные в таблицах.

  3. Excel-лайфхаки, о которых не знают «эксперты»

    Чтобы быстро считать и проверять данные в таблицах.

  4. Анализ больших данных в Excel: используем сводную таблицу для работы с BigQuery, Snowflake и ClickHouse

    Чтобы быстро считать и проверять данные в таблицах.

  5. Семь приемов в Excel, которые делают диаграммы профессиональными

    Чтобы быстро считать и проверять данные в таблицах.

  6. C# как замена VBA в Excel

    Чтобы быстро считать и проверять данные в таблицах.

  7. Автоматизация Excel и Google Таблиц с помощью ChatGPT: пошаговое руководство

    Чтобы быстро считать и проверять данные в таблицах.

  8. От ручного Excel к ИИ‑генерации кода: опыт автоматизации обработки справочников для тех, кто далек от разработки

    Чтобы быстро считать и проверять данные в таблицах.

  9. Excel в HTML: сервер для публикации Excel‑отчётов

    Чтобы быстро считать и проверять данные в таблицах.

  10. Как в Excel сгенерировать случайную величину произвольного распределения

    Чтобы быстро считать и проверять данные в таблицах.

  11. Трехмерный движок на формулах Excel для чайников

    Чтобы быстро считать и проверять данные в таблицах.

  12. 3D-движок, написанный на формулах MS Excel

    Чтобы быстро считать и проверять данные в таблицах.

SQL для анализа данных

  1. Как посчитать всё на свете одним SQL-запросом. Оконные функции PostgreSQL

    Чтобы разбивать логику на повторяемые действия.

  2. Оптимизация запросов SQL Server V/S PostgreSQL: есть куда расти?

    Чтобы получать и изменять данные запросами.

  3. Оконные функции SQL простым языком с примерами

    Чтобы разбивать логику на повторяемые действия.

  4. Динамические SQL-запросы в PostgreSQL: когда, зачем и как

    Чтобы получать и изменять данные запросами.

  5. Почему `SUM() OVER (ORDER BY …)` иногда считает «неправильно»: разбираем оконные фреймы в SQL

    Чтобы получать и изменять данные запросами.

  6. Ускоряем запросы в PostgreSQL, оптимизируя оператор GROUP BY

    Чтобы получать и изменять данные запросами.

  7. EXPLAIN ANALYZE: как находить узкие места в запросах PostgreSQL

    Чтобы получать и изменять данные запросами.

  8. Анализ плана выполнения запроса с оконной функцией в SQL Server (+бонус)

    Чтобы разбивать логику на повторяемые действия.

  9. PostgreSQL для бэкендера: 10 фич, которыми мало пользуются, а зря

    Чтобы получать и изменять данные запросами.

  10. Отображение иерархии в SQL запросе

    Чтобы получать и изменять данные запросами.

  11. Странное поведение планировщика запросов PostgreSQL

    Чтобы получать и изменять данные запросами.

  12. Как мы ускорили SQL-запросы: реальные кейсы оптимизации PostgreSQL

    Чтобы получать и изменять данные запросами.

Статистика и теория вероятностей

  1. Три кита масштабируемого IT-продукта: закон больших чисел, теория вероятностей и статистика

    Чтобы отличать закономерности от случайного шума.

  2. Что не так? Три парадокса теории вероятностей

    Чтобы отличать закономерности от случайного шума.

  3. Василий и теория вероятностей: а не решить ли задачку в честь 1 сентября?

    Чтобы отличать закономерности от случайного шума.

  4. Регрессия к среднему — невидимая рука хаоса

    Чтобы отличать закономерности от случайного шума.

  5. Теория вероятностей в машинном обучении. Часть 1: модель регрессии

    Чтобы отличать закономерности от случайного шума.

  6. Статистические критерии и доверительные интервалы

    Чтобы отличать закономерности от случайного шума.

  7. Как бы я рассказал про линейную регрессию (если б меня кто-то спросил)

    Чтобы отличать закономерности от случайного шума.

  8. «Правда, чистая правда и статистика» или «15 распределений вероятности на все случаи жизни»

    Чтобы отличать закономерности от случайного шума.

  9. Когда одни связи объясняют другие: QAP-корреляция и QAP-регрессия

    Чтобы отличать закономерности от случайного шума.

  10. Статистика для UX-исследователей. Часть 1 — Доверительный интервал

    Чтобы отличать закономерности от случайного шума.

  11. Об эффекте занижения коэффициента линейной регрессии «шумами» данных, или почему все-таки «регрессия»

    Чтобы отличать закономерности от случайного шума.

  12. Регрессионный анализ в DataScience. Простая линейная регрессия. Библиотека statsmodels

    Чтобы отличать закономерности от случайного шума.

Python и pandas

  1. Python, pandas и решение трёх задач из мира Excel

    Чтобы очищать и анализировать данные программно.

  2. Ускоряем и оптимизируем numpy, pandas, scipy и sklearn

    Чтобы очищать и анализировать данные программно.

  3. Datalore: открываем бета-версию приложения для анализа данных на Python

    Чтобы очищать и анализировать данные программно.

  4. Импортозамещаем numpy, pandas, scipy и sklearn

    Чтобы очищать и анализировать данные программно.

  5. Pandas в pandas'е: упаковываем документацию в датафрейм

    Чтобы очищать и анализировать данные программно.

  6. Ускорить Pandas в 60 раз: проверяем лайфхаки из интернета на реальном проекте и обкладываемся бенчмарками

    Чтобы очищать и анализировать данные программно.

  7. Мир за пределами Pandas: достойные альтернативы для работы с данными

    Чтобы очищать и анализировать данные программно.

  8. Трюки Pandas от RealPython

    Чтобы очищать и анализировать данные программно.

  9. Pandasql vs Pandas для решения задач анализа данных

    Чтобы очищать и анализировать данные программно.

  10. 7 продвинутых приемов pandas для науки о данных

    Чтобы очищать и анализировать данные программно.

  11. Ускоряем pandas, не переписывая код. Мой опыт с FireDucks

    Чтобы очищать и анализировать данные программно.

  12. 4 анти-паттерна pandas и способы борьбы с ними

    Чтобы очищать и анализировать данные программно.

Подготовка и очистка данных

  1. Почему нормализация контактных данных сложнее, чем кажется: опыт разработки движка очистки CRM-баз на Python

    Чтобы подготовить качественные признаки для модели.

  2. Прогнозирование продаж Python. Как находить и сглаживать выбросы с помощью фильтра Хэмплея

    Чтобы подготовить качественные признаки для модели.

  3. Пример экспресс-анализа предпочтительности моделей импутации пропусков в многомерных временных рядах

    Чтобы подготовить качественные признаки для модели.

  4. Очистка текста с помощью Python. Часть 1

    Чтобы подготовить качественные признаки для модели.

  5. Вы можете использовать RPA, чтобы помочь с очисткой данных для аналитики

    Чтобы подготовить качественные признаки для модели.

  6. Простой план-фактный анализ в Power BI Desktop. Часть первая – консолидация и очистка данных

    Чтобы подготовить качественные признаки для модели.

Визуализация данных

  1. Python 2D графика. Визуализация данных в реальном времени. Matplotlib, PyQTGraph, pyOpenGL, VisPy, Bokeh и др. FPS 200?

    Чтобы понятно показывать закономерности в данных.

  2. 10 лучших JavaScript библиотек для визуализации данных на графиках и диаграммах

    Чтобы понятно показывать закономерности в данных.

  3. Управление цветами в Seaborn: как визуализировать данные красиво

    Чтобы понятно показывать закономерности в данных.

  4. Занимательные графики. Python matplotlib

    Чтобы понятно показывать закономерности в данных.

  5. 50 оттенков matplotlib — The Master Plots (с полным кодом на Python)

    Чтобы понятно показывать закономерности в данных.

  6. Другой GitHub: репозитории по Data Science, визуализации данных и глубокому обучению

    Чтобы контролировать изменения и работать в команде.

  7. Парсинг тарифов интернета и ТВ: Анализируем тарифы провайдеров с инструментами Pandas, Seaborn, Matplotlib

    Чтобы понятно показывать закономерности в данных.

  8. Работа со скрипичной диаграммой (Violin Plot) в Seaborn

    Чтобы понятно показывать закономерности в данных.

  9. 8 бесплатных инструментов для создания интерактивных визуализаций данных без необходимости написания кода

    Чтобы понятно показывать закономерности в данных.

  10. Как строить красивые графики на Python с Seaborn

    Чтобы понятно показывать закономерности в данных.

  11. Прорабатываем навык использования группировки и визуализации данных в Python

    Чтобы понятно показывать закономерности в данных.

  12. Подбор цветов для палитры визуализации данных

    Чтобы понятно показывать закономерности в данных.

BI-системы и дашборды

  1. BI-инструмент от Яндекса DataLens — теперь в опенсорсе

    Чтобы собирать показатели в понятные дашборды.

  2. Технические отличия BI систем (Power BI, Qlik Sense, Tableau)

    Чтобы собирать показатели в понятные дашборды.

  3. Дашборды без слёз: 8 практических советов из книги Тома Гривера по коммуникации с заказчиком для BI-разработчика

    Чтобы собирать показатели в понятные дашборды.

  4. Миграция с Tableau на опенсорс-версию DataLens: лёгкий путь с препятствиями

    Чтобы собирать показатели в понятные дашборды.

  5. Как сделать быстрый дашборд по таблице из 150 млн строк с помощью Yandex DataLens и ClickHouse

    Чтобы собирать показатели в понятные дашборды.

  6. Заменить нельзя оставить: как DataLens мигрировал с Highcharts

    Чтобы собирать показатели в понятные дашборды.

  7. Как объединить данные Яндекс Метрики и CRM: от загрузки данных до дашборда в DataLens

    Чтобы собирать показатели в понятные дашборды.

  8. От Google таблиц к DataLens + PostgreSQL: как мы делали BI-систему для WB и Ozon

    Чтобы собирать показатели в понятные дашборды.

  9. Можно ли запустить корпоративную BI+ETL-систему за 1,5 млн рублей? Часть 3: AW BI

    Чтобы собирать показатели в понятные дашборды.

  10. Поддержка MDX в Luxms BI: комфортная миграция с Power BI

    Чтобы собирать показатели в понятные дашборды.

  11. Из performance в BI: как я внедрил в digital-агентство дашборды для аналитики рекламных кампаний

    Чтобы собирать показатели в понятные дашборды.

  12. BI-аналитика на коленке: делаем веб-аналитику в DataLens

    Чтобы собирать показатели в понятные дашборды.

Практические задачи и портфолио

  1. Как мы научили заводчан строить красивые инженерные отчеты из Jupyter Notebook на Python

    Чтобы показать ход мысли и результат работодателю.

  2. Как ИИ-агенты научились писать аналитические отчёты не хуже профессиональных аналитиков

    Чтобы показать ход мысли и результат работодателю.

  3. О создании системы, преобразующей текст в SQL для аналитиков Pinterest

    Чтобы показать ход мысли и результат работодателю.

  4. Почему аналитика — один из самых рациональных способов войти в IT сегодня

    Чтобы показать ход мысли и результат работодателю.

  5. Собеседования джуна аналитика данных: чего ждут и что спрашивают работодатели

    Чтобы показать ход мысли и результат работодателю.

  6. Социальный проект: визуализация данных медицинской статистики

    Чтобы показать ход мысли и результат работодателю.

  7. Бутстрап и доверительные интервалы: от теории к практике на Python

    Чтобы показать ход мысли и результат работодателю.

  8. CJM для аналитика: что это, зачем нужно и как строить на данных (с примерами SQL скриптов)

    Чтобы показать ход мысли и результат работодателю.

  9. Навыки аналитика данных, которым вас никто не учит

    Чтобы показать ход мысли и результат работодателю.

  10. OLAP-кубы – вчерашний день? Технологии нового поколения для аналитики данных

    Чтобы показать ход мысли и результат работодателю.

  11. Аналитики данных в Авито: ожидания и спектр задач

    Чтобы показать ход мысли и результат работодателю.

  12. SQL для аналитики — рейтинг прикладных задач с решениями

    Чтобы показать ход мысли и результат работодателю.

Организация аналитической работы

  1. Декомпозиция целей и задач

    Чтобы превращать запросы в проверяемый план анализа.

Все подборки для аналитика данных →