Портфолио проектов, выполненных во время обучения по курсу Аналитик данных от Яндекс Практикум.
Основные инструменты и навыки, полученные во время профессиональной переподготовке:
- Python, в том числе библиотеки: Pandas, NumPy, SciPy, Matplotlib, Plotly, Seaborn, Folium;
- SQL и PostgreSQL;
- Построение дашбордов в DataLens и Tableau;
- Метрики юнит-экономики, когортный анализ;
- А/В-тестирование;
- Работа с гипотезами.
| № | Название | Описание | Навыки и инструменты |
|---|---|---|---|
| 14 | Выпускной проект. Интернет-магазин товаров для дома «Пока все ещё тут» | Выявили профили покупателей, а также провели полноценный анализ товарного ассортимента. | Python, Pandas, SciPy, NumPy, Matplotlib, Seaborn, BeautifulSoup, lxml, Requests, Datetime |
| 13 | Исседование базы данных StackOverflow | Изучили базу данных Startup Investments о венчурных фондах и инвестициях через SQL запросы | SQL, PostgreSQL |
| 12 | Исседование базы данных Startup Investments | Изучили базу данных StackOverflow за 2008 год об активности пользователей через SQL запросы | SQL, PostgreSQL |
| 11 | Исследование базы данных сервиса для чтения книг по подписке | Провели анализ базы данных, дали рекомендации по ценностному предложению для сервиса для чтения книг по подписке. | SQL, Python, Pandas, Sqlalchemy, Matplotlib, Seaborn |
| 10 | Построение дашбордов в DataLens | Создал интерактивный дашборд для анализа данных о TED-конференциях, визуализируя информацию о лекторах и темах выступлений | SQL, DataLens |
| 9 | Исследование рынка общественного питания | В ходе исследования были рассмотрены различные срезы данных - распределение заведений по типам, расположению и размеру, подключена внешняя информация о географии Москвы, подготовлена презентация. | Python, Pandas, Matplotlib, Seaborn, Plotly, Folium |
| 8 | A/A/B-тест стартапа продуктов питания | Исследовали воронку продаж и результаты A/A/B-тестирования мобильного приложения | Python, Pandas, Matplotlib, NumPy, SciPy, Seaborn, Math, Plotly |
| 7 | A/B-тестирование интернет-магазина | Применили фреймворк ICE и RICE и проанализировали результаты A/B-тестирования интернет-магазина | Python, Pandas, Matplotlib, NumPy, SciPy, Seaborn, Math, Datetime |
| 6 | Исследование выручки Procrastinate Pro+ | Проект посвящен расчету маркетинговых метрик (удержание, отток пользователей, LTV, ARPU, CAC), когортному анализу и визуализации поведения пользователей. В ходе работы были рассчитаны метрики для различных срезов пользователей и выявлены маркетинговые направления | Python, Pandas, Matplotlib, NumPy, SciPy, Seaborn, Math, Datetime |
| 5 | Исследование популярных игр для планирования рекламных кампаний интернет-магазина | Провели предобработку данных, определили закономерности, влияющие на успех игр для планирования рекламных кампаний | Python, Pandas, Matplotlib, NumPy, SciPy, Seaborn, Math |
| 4 | Исследование сервиса аренды самокатов GoFast | Провели предобработку данных и исследовательский анализ данных сервиса аренды самокатов GoFast о выручке и различий групп пользователей, провели проверку статистических гипотез, связанных с подпиской и продолжительностью поездок | Python, Pandas, Matplotlib, NumPy, SciPy, Seaborn, Math |
| 3 | Исследование объявлений о продаже квартир | Исследовали архив объявлений сервиса Яндекс Недвижимость о продаже квартир в Санкт-Петербурге и Ленинградской области, выявляли закономерности ценообразования | Python, Pandas, Matplotlib, Seaborn |
| 2 | Исследование надежности заемщиков | Провели предобработку и анализ данных. Анализировали, как семейное положение, наличие детей и другие факторы влияют на своевременное погашение кредита. | Python, Pandas |
| 1 | Исследование предпочтений пользователей сервиса Яндекс Музыка | Сравнивали предпочтения пользователей Яндекс.Музыки в Москве и Санкт-Петербурге по дням недели для выявления музыкального профиля | Python, Pandas |
- Введение в профессию «Аналитик данных», 3 ч
- Базовый Python, 30 ч
- Предобработка данных, 37 ч
- Исследовательский анализ данных, 30 ч
- Статистический анализ данных, 20 ч
- Теория вероятностей (факультативный курс), 17 ч
- Сборный Проект №1, 16 ч
- Базовый SQL, 25 ч
- Анализ бизнес-показателей, 35 ч
- Продвинутый SQL, 40 ч
- Принятие решений в бизнесе, 20 ч
- Сборный проект №2, 16 ч
- Как рассказать историю с помощью данных, 18 ч
- Визуализация данных с помощью DataLens - создание дашбордов, 20 ч
- Основы машинного обучения (факультативный курс), 26 ч
- Дополнительная практика Python, 4 ч
- Выпускной проект, 20 ч
- Диагностика базовой математики (факультативный курс), 4 ч
- YandexGPT для начинающих (факультативный курс), 2 ч
- Построение дашбордов в Tableau (факультативный курс), 31 ч
- Аналитический отчёт в Google Таблицах (факультативный курс), 19 ч