Курсы по визуализации

Магистратура ВШЭ и Karpov.courses — это прикладная программа обучения на базе фундаментальных знаний. Вы научитесь решать аналитические задачи на продвинутом уровне, строить BI-системы, разбираться в инфраструктуре для работы с данными и создавать ML-модели. Академическая экспертиза ВШЭ сочетается с актуальными практиками в гибком формате.

Курс для тех, кому нужно доносить мысли и идеи до команды или заказчика. Поможем специалистам из разных профессий создавать визуальные презентации

Освойте Apache Superset — мощный инструмент для визуализации и анализа данных.

Темы:

• Что такое BI, роль Apache Superset в экосистеме (сравнение с Power BI, Tableau, Grafana).
• Архитектура Superset (метаданные, кеширование, движки запросов).
• Когда Superset не подходит (границы применимости).
• Кейсы из практики: Как компании уже используют Superset.
• Практика: Установка Superset (локально + Docker). Первый взгляд на интерфейс: навигация, роли, каталог дашбордов. Разбор демо-дашборда (что внутри: слои, фильтры, связи).
• Источники данных: базы SQL (PostgreSQL, MySQL), CSV, Google Sheets, API. ETL vs ELT: как Superset работает с данными. Практики оптимизации запросов (SQL-запросы, индексы, семплирование).
• Практика: Подключаем 3 разных источника: БД (например, PostgreSQL), CSV, API (например, тестовый JSON). Объединение данных (JOIN в Superset). Настройка расписания обновлений (инкрементальная загрузка). Очистка данных средствами Superset (регулярные выражения, замена NULL).
• Лучшие практики визуализации. Виды графиков в Superset и их применимость (bar, line, heatmap, treemap и др.). Вычисления на лету: метрики, KPI, агрегаты (SUM, AVG, Percentile).
• Практика: Построение разных графиков на тестовом датасете. Добавление вычисляемых полей. Фильтры: базовая настройка (по дате, категории, тексту).
• UX/UI для дашбордов (расположение виджетов, единый стиль). Публикация, шаринг, контроль версий дашбордов. Роли в Superset (Admin, Analyst, Viewer): как разграничить доступ.
• Практика: Собираем готовый дашборд из ранее созданных графиков. Drill-down (детализация). Групповая работа: 2–3 человека создают общий дашборд удалённо.
• Как связать с Airflow (автоматизация ETL). Как гонять данные из Superset в Excel/Power BI (экспорт API). Краткий обзор связки с Apache NiFi / Kafka (стриминг данных). Учимся смотреть SQL-запросы, которые генерит Superset. Как ускорить рендеринг (кеширование, материальные представления).

Это не просто практика, а СИМУЛЯЦИЯ РЕАЛЬНОГО ПРОЕКТА: Выдаём кейс: "Анализ эффективности розничной сети" (готовый датасет). Задача студентов: за 4 часа сделать:

• Подключить 2–3 источника.
• Построить 4–5 разных визуализаций.
• Собрать интерактивный дашборд.
• Настроить фильтры и экспорт.

Защита проектов (5 минут каждый студент объясняет логику).

Освой ИИ без программирования — начни говорить на языке будущего! Искусственный интеллект Машинное обучение Нейронные сети Примеры применения ИИ Практика: ИИ-детектив Классификация Регрессия Кластеризация Прогнозирование Детектирование Распознавание речи Генерация Анализ текста Поиск аномалий Обучение с подкреплением Определение типа задачи в реальном проекте Практика: Сортируем кейсы Возможности и ограничения классических методов Данные и датасеты Популярные инструменты машинного обучения Оценки качества распознавания Применение машинного обучения Практика: Думаем как ИИ и обучаем модель поиска дефектов Что могут и не могут нейронные сети Обучение нейронных сетей Особенности внедрения нейронных сетей в проект Применение нейронных сетей Практика: Визуализации нейросетей и DeepSeek

ИИ теперь работает на аналитика — автоматизируйте рутину и усиливайте экспертность. Что такое LLM: концепция работы, основные возможности и ограничения. Место ИИ в деятельности бизнес-аналитика. Обзор популярных моделей: YandexGPT, Qwen, DeepSeek — выбор под задачи BA. Этические и юридические аспекты: ответственность, галлюцинации, байесы. Практика: Тестирование модели: задать несколько вопросов и обсудить результаты. Диагностика: "Какой я пользователь ИИ?" Принципы эффективного промптинга: конкретность, контекст, структура. Техники: Zero-shot, Few-shot, температура, формат вывода. Паттерны промптов для типовых задач BA: анализ требований, суммирование, user story. Практика: Разработка "библиотеки промптов": Групповая работа: выбрать 2–3 задачи BA и создать шаблоны промптов. Сравнение результатов на разных моделях. Упражнение: исправить "плохой" промпт. Как автоматизировать создание ЧТЗ, BRD, user story, писем, отчетов. Работа с шаблонами и стандартами документирования. Практика: Задание: написать фрагмент технической документации (например, требования или сценарий). Задание: составить электронное письмо руководству на основе протокола встречи. Анализ текстовых данных: отзывы, протоколы, интервью. Выявление ключевых тем, тональности, проблем. Q&A Практика: Анализ набора отзывов клиентов: Классификация по категориям, Выделение главных проблем, Предложения по улучшению. Извлечение информации из протокола встречи. Chain-of-Thought (CoT), управление ролью, JSON/XML-формат. Цепочки промптов: как разбивать сложные задачи. Практика: Задание: создать модель данных на основе текстового описания. Задание: построить цепочку промптов для анализа требований → user story → тест-кейсы. Использование ИИ для анализа и улучшения процессов. Выявление узких мест, дублирования, предложений по оптимизации. Создание диаграмм BPMN с помощью LLM. Практика: Анализ описания процесса и выявление проблем. Генерация предложений по оптимизации. Создание диаграммы BPMN на основе текстового описания. Анализ влияния изменений на систему. Автоматизация создания документации по изменениям. Генерация тест-кейсов на основе требований. Практика: Анализ влияния изменения на существующую систему. Генерация тест-кейсов для реализации нового требования. Безопасность и этика использования ИИ: bias, авторство, конфиденциальность. Примеры галлюцинаций и методы их распознавания. Интеграция ИИ в процессы CI/CD: концепция и примеры. Практика: Обсуждение кейсов: этические дилеммы при использовании ИИ. Упражнение: найти ошибки в "галлюцинированном" ответе ИИ.

Изучите основы аналитики данных на курсе от Нетологии.

Основные темы курса: Основы аналитической работы SQL и работа с базами данных. Python для анализа данных. Работа с pandas и визуализация данных. Статистика и A/B-тестирование. Создание дашбордов. Что получает студент: Практические навыки решения бизнес-задач. Portfolio из 8 реальных проектов. Индивидуальная поддержка ментора. Гарантированная стажировка. Помощь в трудоустройстве

Основные темы курса: Основы бизнес-анализа и процессов. SQL и работа с базами данных. Инструменты визуализации (Tableau, Power BI). Python для анализа данных. Методики сбора и анализа требований. Управление проектами и Agile/Scrum. Что получает студент: Практические навыки решения реальных задач. Portfolio из 8 проектов. Индивидуальная поддержка ментора. Гарантированная стажировка. Помощь в трудоустройстве. Требования к слушателям: Нет требований к предыдущему опыту. Необходим компьютер и интернет

Основные темы курса: Основы бизнес-анализа и BI. SQL и работа с базами данных. Power BI для создания отчетов. Визуализация данных. Работа с KPI и метриками. Создание дашбордов и отчетов. Storytelling на основе данных. Что получает студент: Практические навыки решения реальных задач. Portfolio из 6 проектов. Индивидуальная поддержка ментора. Гарантированная стажировка. Помощь в трудоустройстве. Требования к слушателям: Нет требований к предыдущему опыту. Необходим компьютер и интернет