Course Summary
Learn how to apply data analysis techniques to real-life situations with this practical course. Gain hands-on experience with tools such as Excel, SQL, and Tableau to analyze data and make informed decisions.Key Learning Points
- Learn to use Excel, SQL, and Tableau for data analysis
- Apply data analysis techniques to real-world scenarios
- Gain hands-on experience with practical exercises and projects
Job Positions & Salaries of people who have taken this course might have
- USA: $62,453 - $97,034
- India: ₹295,233 - ₹1,020,288
- Spain: €20,000 - €40,000
- USA: $62,453 - $97,034
- India: ₹295,233 - ₹1,020,288
- Spain: €20,000 - €40,000
- USA: $60,475 - $104,428
- India: ₹274,954 - ₹1,391,441
- Spain: €22,000 - €50,000
- USA: $62,453 - $97,034
- India: ₹295,233 - ₹1,020,288
- Spain: €20,000 - €40,000
- USA: $60,475 - $104,428
- India: ₹274,954 - ₹1,391,441
- Spain: €22,000 - €50,000
- USA: $84,000 - $139,000
- India: ₹360,000 - ₹3,000,000
- Spain: €30,000 - €60,000
Related Topics for further study
Learning Outcomes
- Apply data analysis techniques to real-life situations
- Utilize tools such as Excel, SQL, and Tableau for data analysis
- Create practical data analysis projects
Prerequisites or good to have knowledge before taking this course
- Basic understanding of Excel
- Familiarity with SQL
Course Difficulty Level
IntermediateCourse Format
- Self-paced
- Online
Similar Courses
- Data Analysis with Python
- Applied Data Science with Python
- Data Visualization with Tableau
Related Education Paths
Related Books
Description
Методы машинного обучения — будь то алгоритмы классификации или регрессии, методы кластеризации или алгоритмы понижения размерности — применяются к подготовленным данным с вычисленными признаками для решения уже сформулированной задачи. Однако специалисты по анализу данных редко оказываются в такой идеальной ситуации. Обычно перед ними ставят задачи, которые нуждаются в уточнении формулировки, выборе метрики качества и протокола тестирования итоговой модели. Данные, с которыми нужно работать, часто представлены в непригодном виде: они зашумлены, содержат ошибки и выбросы, хранятся в неудобном формате и т. д.
Outline
- Бизнес-задачи
- Как прекрасны машинное обучение и анализ данных
- Как устроена специализация, и зачем ее проходить
- МФТИ
- Временные ряды
- Автокорреляция
- Стационарность
- ARMA
- ARIMA
- Выбор ARIMA и прогнозирование
- Анализ остатков
- Пример построения прогноза
- Регрессионный подход к прогнозированию
- Анализ поведения пользователей
- Аудиторные метрики: привлечение
- Аудиторные метрики: активность
- Аудиторные метрики: монетизация
- Аудиторные метрики: удержание
- Прогнозирование оттока пользователей: Постановка задачи
- Прогнозирование оттока пользователей: Построение и оценка модели
- МФТИ
- Forum&Chat
- Пример построения прогноза [ipython notebook]
- Слайды к лекциям
- Конспект
- Слайды к лекциям
- Автокорреляция и стационарность
- p, q, P, Q
- Прогнозирование временных рядов
- Аудиторные показатели: привлечение и активность
- Аудиторные показатели: монетизация и удержание
- Анализ поведения пользователей
- Анализ медиа
- Компьютерное зрение
- Задачи компьютерного зрения
- "Низкоуровневое" зрение
- Линейная фильтрация изображений
- Классификация изображений
- Задача классификации изображений на практике
- Распознавание лиц
- Детекция объектов
- Стилизация изображений
- Распознавание китов
- Сбор больших коллекций изображений
- Дополнительные материалы
- Слайды к лекциям
- Конспект
- Слайды к лекциям
- Конспект
- Слайды к лекциям
- Конспект
- Компьютерное зрение
- Практические задачи компьютерного зрения
- Анализ текстов
- Работа с текстовыми данными
- Предобработка текста
- Извлечение признаков из текста
- Извлечение признаков из текста - 2
- Обучение моделей на текстах
- word2vec
- Рекуррентные сети
- Выделение коллокаций
- Языковые модели
- Анализ тональности текста
- Анализ тональности отзывов
- Анализ тональности отзывов: продолжение
- Аннотирование
- Слайды к лекциям
- Конспекты к лекциям
- Слайды к лекциям
- Конспекты к лекциям
- Анализ тональности отзывов [ipython notebook]
- Слайды к лекциям
- Первичная обработка текстов
- Текстовые данные и работа с ними
- word2vec и рекуррентные сети
- Примеры задач анализа текстов
- Рекомендации и ранжирование
- Задача ранжирования
- Метрики качества ранжирования
- Методы ранжирования
- Рекомендательные системы
- kNN и матричные разложения
- Подходы к построению рекомендательных систем
- Гибридные рекомендательные системы
- Оффлайн оценка качества
- Онлайновая оценка качества
- Максимизация прибыли магазина
- Слайды к лекциям
- Конспекты к лекциям
- Слайды к лекциям
- Финальные титры
- Стань ментором специализации
- Ранжирование
- Рекомендательные системы-1
- Рекомендательные системы-2
Summary of User Reviews
Get a comprehensive introduction to data analysis with this course on Coursera. Users have praised this course for its in-depth coverage and practical applications.Key Aspect Users Liked About This Course
The practical applications of the course content impressed many users.Pros from User Reviews
- In-depth coverage of data analysis concepts
- Practical applications of course content
- Clear and concise explanations
- Engaging and interactive lectures
- Challenging assignments to reinforce learning
Cons from User Reviews
- Some users found the pace of the course to be too fast
- The course assumes a basic understanding of statistics
- Lack of personalized feedback on assignments
- Some users experienced technical difficulties with the platform
- Limited interaction with other students in the course
Evgeniy Riabenko
4.4 Raiting
Основы программирования на Python
- 4.5
-
![]()
![]()
![]()
![]()
![]()
Язык программирования Python является одним из самых простых в освоении и популярных языков программирования. Также слушатели познакомятся с основами различных парадигм программирования: процедурным, функциональным и объектно-ориентированным программированием....
Обучение на размеченных данных
- 4.8
-
![]()
![]()
![]()
![]()
![]()
Обучение на размеченных данных или обучение с учителем – это наиболее распространенный класс задач машинного обучения. В этом курсе вы научитесь формулировать и, конечно, решать такие задачи....
Введение в науку о данных (An Introduction to Data Science)
- 3.8
-
![]()
![]()
![]()
![]()
![]()
Наука о данных включает большой спектр подходов и методов сбора, обработки, анализа и визуализации массивов данных любого размера. Введение Цели обучения....
Тренды и классификации
- 0.0
-
![]()
![]()
![]()
![]()
![]()
В этом курсе мы поговорим о трендах и классификаторах. Анализ трендов помогает ответить на вопросы вроде: растут ли продажи, увеличивается ли количество пользователей сервиса?...
