Навигация

Python:

● Python: полезные модули

● Где тренировать Python

● Коллекции в Python

● list comprehension

● lambda-функции

● Удаление элементов из списка: 4 способа

● Форматирование строк в Python

● Итерация, итератор, итерируемый объект

● Itertools: алгебра итераторов

● Алгоритмы: что нужно знать

● Где тренировать алгоритмы

SQL и базы данных

● SQL: знакомство

● Где тренировать SQL синтаксис

● Работа с ClickHouse

Статистика 

● Ложные корреляции

● Меры центральной тенденции

● Меры изменчивости

● P-value: честная и нечестная монетка

● Что такое A/B тестирование

● Статистический вывод

● Источники для работы с A/B тестами от Никити Маршалкина

ML

● Машинное обучение для начинающих

● Метод k-ближайших соседей

● Линейная регрессия

● Решающие деревья

● Наивный байесовский классификатор

● Kaggle: обзор и практическое руководство

● Интерпретация моделей машинного обучения в python: shap

● Нетехническое введение в LMM

● Нетехническое продолжение LMM

● LMM и GEE: что почитать?

● Углубленное изучение категориальных переменных со Станиславом Гафаровым

Аналитика данных

● Введение в дата-аналитику, часть 1

● Введение в дата-аналитику, часть 2

● Чистка данных

● Как оформлять таблицы в Jupyter Notebook

● Стек для аналитики мобильных приложений

● Что читать по игровой аналитике? от Александра Одайника

Визуализация данных

● Основы plotly: основные типы графиков в plotly.express

● Tableau: как и зачем

● Где изучать Tableau, рекомендации Романа Бунина

Инженерия данных

● Data Lake и DWH: теория

● Зачем нам kubernetes

● Kubectl и K8S

Карьера, рекомендации, разное

● Направления аналитики

● Старт в аналитике: Python или R?

● Дата-сайентист, дата-инженер и аналитик данных – в чем разница?

● Стартап VS корпорация

● Start ML: пути дальнейшего развития джуна

● Игровая аналитика

● Аналитика без кода

● Как оформить свой GitHub

● Как оформить LinkedIn: рекомендации HR

● Игровые тренажеры для аналитика данных

● Human Resource Machine

● Топ-5 книг по аналитике от Алексея Никушина

Собеседования:

● Как готовиться к первому собеседованию

● Готовимся к техническому собеседованию на аналитика данных

● Собеседования ML System Design

● ML System Design: пайплайн собеседования

● Главный совет по прохождению собеседований на аналитика

● Красные флаги на ML собеседованиях

● Где сеньору жить хорошо?

● Какие вопросы задавать на собеседовании?

● Голосовые чаты: релокация, работа аналитиком за рубежом и DS в России

● Как оформить LinkedIn: рекомендации HR

Материалы с вебинаров:

● Таблички VS графики с Романом Буниным

● Прогнозирование метрик с помощью Facebook Prophet с Бесланом Курашовым

● Моделирование течения инфекционных заболеваний с Яном Пиле

● Unit-экономика мобильных приложений с Ярославом Барановым

● Шум и GAM: обобщенные аддитивные модели с Александром Манаенковым

● Введение в Git с Анатолием Карповым

● Анализ многомерных данных с Лаврентием Даниловым

● Вероятностная калибровка на примере Probability Calibration Trees с Валерием Бабушкиным

● Тонкости A/B-тестирования: проблема подглядывания с Анатолием Карповым

● Как я перестал беспокоиться и полюбил Пуассон-Bootstrap с Валерием Бабушкиным

● Применение анализа выживаемости для оценки оттока клиентов с Лаврентием Даниловым