Data Analysis kezdőknek — 4 hónapos gyakorlatorientált képzés | robot_dreams
Jelentkezem!
Jelentkezem!

4 hónapos gyakorlatorientált képzés

DATA ANALYSIS KEZDŐKNEK

PYTHON, SQL, EXCEL ÉS GÉPI TANULÁS

Tanuld meg 4 hónap alatt az adatelemzés gyakorlati, átfogó eszköztárát! Szerezz jártasságot a Python, az Excel, az SQL és a gépi tanulás legkeresettebb technikáiban, készíts projektfeladatokat valós üzleti adatok alapján, és készülj fel az adatelemzői karrieredre!
  • Az oktató megosztja veled a legfrissebb szakmai trendeket, és útmutatást nyújt a sikeres elemzői karrierhez.
  • A 30 alkalom során megismered az adatelemző kódolás, riportkészítés, leíró statisztika és gépi tanulás legfontosabb technikáit.
  • A házi feladatokon keresztül felépíted az adatelemzői portfóliód első projektjeit.
  • Kezdés: július 31.
Jelentkezem!

Kinek ajánljuk a kurzust?

Az üzleti oldal szakértőinek

Ha már van mélyebb iparági tudásod, jól érted a működési folyamatokat a területeden – legyen szó akár üzleti tanácsadásról, marketingről, kontrollingról, pénzügyről, HR-ről stb. – és a továbbiakban az adatalapú gondolkodást szeretnéd elsajátítani, így a saját és céged versenyképességét növelni.

Közép- és felső vezetőknek

Ha közép- vagy felsővezetőként részt veszel a stratégiai irányok kialakításában és szeretnél rendelkezni az adatanalitikai eszköztárral, ismeretekkel, amelyek hozzájárulnak a stratégiai döntéshozatalhoz, továbbá szeretnél hatékonyan kommunikálni az adattudományos csapatokkal.

Pályamódosítóknak

Rendelkezel vállalati vagy menedzsment-tapasztalattal, és el tudod képzelni a jövődet adatszakértőként? Akkor ideje átfogó, gyakorlati szaktudást szerezned. A Data Analysis kezdőknek kurzuson modulról modulra haladva tanulod meg önállóan kezelni és olvasni az adatokat, és a képzés után magabiztosan pályázhatsz egy junior adatelemzői pozícióra.
A képzésen magabiztossá válsz az adatelemzés gyakorlatában, és az önéletrajzod programnyelvi, statisztikai és ML-ismeretekkel bővíted!

Az előadó

Takács Anna Emese

Head of Data Science, BeHive Consulting
  • A Columbia Egyetemen végzett adattudósként.
  • Karrierje során megjárta a junior szintektől a középvezetésen át a felső vezetői széket, így minden elemzési szerepkör problematikájával találkozott.
  • Közgazdasági háttérrel is rendelkezik, amit a University of Nottinghamen szerzett alapképzés keretében.
  • Dolgozott Morgan Stanley-nél és a Mastercardnál, utóbbinál egy régiós analytics csapatot épített ki.
  • Jelenleg a BeHive-nál dolgozik mint Head of Data Science, és a feladata az üzletág kiépítése, projektek menedzselése és új, innovatív megoldások megalkotása.
  • Dolgozott szegmentációs, propensity és deep learning modelleken.
  • Másfél évet önkénteskedett a budapesti városvezetésnek adatvizualizációs specialistaként.
  • Elnyerte a McKinsey női díját 2020-ban.

A KURZUSRÓL: 

Megismered az adatelemzés legkeresettebb technológiáit, és megtanulod stratégiai szemlélettel véghez vinni a projekteket!

Adatelemzési rutin:

Gyakorold valós példák alapján, hogyan tudsz önállóan tisztítani és elemezni adatbázisokat, hogy fordíthatsz értékes adatokat üzleti nyelvre, és lásd át alapjaiban az analitikai műveleteket.

Statisztikai alapok:

Tanuld meg a legfőbb statisztikai módszerekkel értelmezni az adatokban rejlő mintázatokat és anomáliákat, monitorozd az adatminőséget, és tárd fel te a kulcsfontosságú mutatókat.

Szoftverismeret:

Fejleszd az önéletrajzod a Python használatával, az Excel eszköztárával és az SQL adatbázis-lekérdezéseivel. Válj jártassá a haladó gépi tanulási algoritmusokban, az adatvizualizációban és a riportkészítésben is.

Karrier:

A házi feladatokkal portfólióanyagot készítesz az elemzői karrieredhez, tudni fogod, hogyan bonyolíts le egyedül egy adatanalitikai projektet, és útmutatást kapsz az etikus munkavégzéshez.
Jelentkezem!

KURZUS PROGRAM

KURZUS PROGRAM

1. modul
2 alkalom

Bevezetés

  • Mi az adatelemzés?
    • Egy adatelemző mindennapjai, feladatainak áttekintése
    • Az evolúció a statisztikától a modern adatelemzésig
    • A fő munkaeszközök és folyamatok megismerése
    • Társterületek feladatainak megismerése és lehatárolása: üzleti elemző, pénzügyi elemző, adattudós, adatmérnök, termékelemző stb
    • Adatelemzési folyamat alapvető lépései
  • Adattípusok
    • Adatgyűjtési típusok
    • Adattípusok:
    • Strukturált adatok (pl. táblázatos, relációs adatbázisok)
    • Idősor-adatok és azok elemzése (pl. trendek, szezonalitás)
    • Szöveges adatok és azok elemzése (pl. NLP)
    • Panel adatok (pl. többdimenziós adatok, pl. idősorok és keresztmetszetek)
    • Egyéb adattípusok (pl. képi adatok, geospatiális adatok)
 
2. modul
5 alkalom

SQL

  • Adatbázisok és alapvető SQL-parancsok
    • Relációs adatbázisok: Táblák, rekordok és mezők
    • Kulcsok: Primer kulcsok, idegen kulcsok, kompozit kulcsok
    • Normalizáció: Első, második és harmadik normálformák
    • Nem-relációs adatbázisok: Dokumentum-alapú, kulcs-érték tárolók
    • Adattárházak: Tények, dimenziók, csillag és hópehely sémák
    • Indexelés: B-fák, hash indexek, bitmap indexek
  • Rendezés, szűrés és függvények
    • Alapvető rendezési műveletek: ASC, DESC
    • Szűrési technikák: WHERE, LIKE, IN, BETWEEN
    • Szöveges függvények: CONCAT(), UPPER(), LOWER()
    • Számítási függvények: SUM(), AVG(), COUNT(), MIN(), MAX()
    • Idő és dátum függvények: NOW(), DATE(), TIMESTAMP
    • Csoportosítási függvények: GROUP BY, HAVING
  • Táblák összekapcsolása
    • JOIN műveletek elmélete: Set-algebra és relációs algebra alapjai
    • INNER JOIN: Közös rekordok lekérdezése, és az elmélete mögötte
    • LEFT/RIGHT JOIN: Rekordok lekérdezése az egyik vagy másik táblából, és az elmélete mögötte
    • FULL OUTER JOIN: Mindkét táblából származó rekordok lekérdezése, és az elmélete mögötte
    • CROSS JOIN: Minden lehetséges rekordpár lekérdezése, és az elmélete mögötte
    • ON és USING klauzulák: Kulcsmezők definiálása és azok elméleti háttere
  • Csoportosítás és haladó SQL függvények
    • GROUP BY: Adatok csoportosítása kulcs alapján
    • HAVING: Csoportok szűrése
    • Aggregációs függvények: SUM(), COUNT(), AVG(), MIN(), MAX(), GROUP_CONCAT()
    • Folyamatfüggvények: RANK(), DENSE_RANK(), ROW_NUMBER()
    • Analitikai függvények: OVER(), PARTITION BY, LAG(), LEAD()
    • String manipuláció: CONCAT(), TRIM(), SUBSTRING(), REPLACE()
    • Idő és dátum: DATE_FORMAT(), DATE_ADD(), DATE_SUB()
  • Összefoglalás | Kérdezz-felelek
    • Az előzőek ismétlése, a felmerülő kérdésekre válaszadás
 
3. modul
7 alkalom

Python

  • Bevezetés a Pythonba
    • Python telepítése és környezet beállítása
    • Jupyter notebookok és funkcióik
    • "Hello, World!" és az alapvető print függvények
    • Változók: Hogyan deklaráljunk és rendeljünk értékeket változókhoz
    • Operátorok: Aritmetikai, összehasonlító és logikai operátorok
  • Python adatstruktúrák
    • Listák és azok metódusai
    • Tuple-ök és azok jellemzői
    • Szótárak és kulcs-érték párok
    • Halmazok és műveletek halmazokkal
    • Map, filter, reduce
  • Feltételes utasítások és ciklusok
    • If-elif-else szerkezetek használata
    • For ciklus és azok alkalmazásai
    • While ciklus és feltételkezelés
    • Break és Continue utasítások
    • Nested loops: Beágyazott ciklusok
    • Ternary operátorok: Feltételi kifejezések egyszerűsítése
  • Függvények és alapvető fájl I/O
    • Függvénydeklaráció és függvényhívás
    • Paraméterek és argumentumok
    • Visszatérési értékek
    • Lokális és globális változók függvényeken belül
    • Fájlok olvasása és írása (txt, csv)
    • Fájlkezelési műveletek: fájl megnyitása, olvasása, írása és bezárása
  • Pythonban gondolkozni
    • Problem Identification: Understanding and defining the problem clearly
    • Algorithmic Thinking: Developing a step-by-step solution using pseudocode or flowcharts
    • Modular Coding: Writing functions and modules for reusability and clarity
    • Debugging Techniques: Tools and strategies to identify and fix bugs in Python code
    • Code Review Practices: Learning to review code critically and constructively
  • Adattípusok alapjai és adatanomáliák azonosítása
    • Numerikus és kategorikus adattípusok
    • Hiányzó adatok és azok azonosítása
    • Outlierek és azok azonosítási módszerei
    • Adattisztítás: tipikus problémák és megoldások
    • Adattranszformáció: normalizálás és sztenderdizálás
  • Összefoglalás | Kérdezz-felelek
    • Az előzőek ismétlése, a felmerülő kérdésekre válaszadás
 
4. modul
3 alkalom

Alapvető statisztikai módszerek az adatelemzéshez

  • Leíró statisztikák az adatminőséghez
    • Átlag, medián és módusz
    • Szórás, variancia és szabványeltérés
    • Kvartilek és IQR (Interkvartilis tartomány)
    • Hisztogramok és sűrűségfüggvények
    • Korreláció és kovariancia
    • Nulla és hiányzó adatok statisztikai kezelése
  • Valószínűségi eloszlások
    • Normális eloszlás és annak jellemzői
    • Poisson eloszlás és annak alkalmazásai
    • Binomiális eloszlás és jellemzői
    • Központi Határeloszlás-tétel és annak jelentősége
    • Valószínűségi eloszlások közötti kapcsolatok és különbségek
  • Hipotézisvizsgálat
    • Nullhipotézis és alternatív hipotézis
    • T-próba: Egy- és kétmintás t-próba, független és összefüggő minták
    • Khi-négyzet próba: Jósláshoz való illeszkedés, függetlenség és homogenitás
    • P-érték és jelentőségi szint
    • Hipotézisvizsgálat lépései: választás, kiszámítás, döntés
    • Hibatípusok: I. és II. típusú hibák
 
5. modul
5 alkalom

Gyakorlati adatkezelés

  • Adattisztítási technikák
    • Duplikált adatok kezelése: azonosítás és eltávolítás
    • Kategorikus adatok tisztítása: one-hot encoding, label encoding
    • Adatnormalizálás és sztenderdizálás
    • Adattranszformációk: logaritmikus, négyzeti gyök
  • Hiányzó és kiugró adatok kezelése
    • Hiányzó adatok kezelése: törlés, átlaggal való kitöltés, interpoláció
    • Kiugró adatok (outlierek) azonosítása: Z-érték, IQR
    • Kiugró adatok kezelése: eltávolítás, capping vagy transzformáció
    • Dátumok tisztítása
  • Csapatmunka | Kérdezz-felelek
    • Git használata
    • Csapatmunka best practices
    • A korábbi témák összefoglalása
  • Excel az adatelemzéshez - az alapokon túl
    • Pivot táblák alapjai: adatforrások, mezők és értékek
    • Szűrők és slicerek: adatok szegmentálása és vizualizációja
    • Idősoros adatok kezelése: dátum és idő alapú összegzések
    • Kimutatások készítése: pivot táblák és grafikonok kombinációja
    • Interaktív jelentések: műszerfalak és vezérlőelemek
  • Az adatvizualizáció alapjai
    • Grafikonok és diagramok: vonal-, oszlop-, és kördiagramok
    • Vizualizáció eszközök: trendvonalak, adatcímkék és feliratok
    • Interaktív elemek: vezérlőelemek, mint a csúszkák és gombok
    • Műszerfalak: grafikonok és táblázatok integrálása egy átfogó nézetbe
    • Kondicionális vizualizáció: feltételes formázás a műszerfalakban
    • Dinamikus frissítés: adatkapcsolatok és automatizálás a műszerfalakban
 
6. modul
6 alkalom

Gépi tanulás

  • Bevezetés a gépi tanulásba és az MI-be
    • Gépi tanulás és mesterséges intelligencia alapjai: Definíciók és különbségek
    • Felügyelt és felügyelet nélküli tanulás: Algoritmusok és alkalmazások
    • Klasszifikáció és regresszió: Példák és modellek
    • Neurális hálózatok és mélytanulás: Alapok és alkalmazások
    • Természetes nyelvfeldolgozás (NLP) és képfelismerés
    • Etikai és jogi kérdések: Adatbiztonság, adatvédelem, felelősség
  • Adat-előkészítés ML-hez
    • Az adat előfeldolgozás fontossága: Model pontosság, konvergencia sebesség, algoritmus-stabilitás
    • Mikor és miért szükséges az adatnormalizálás: Gradient Descent alapú algoritmusok, k-NN, SVM
    • Mikor és miért szükséges az adatsztenderdizálás: Logisztikus regresszió, lineáris regresszió
    • Kategorikus adatok kezelése: One-hot encoding és Label encoding, alkalmazása döntési fák és random erdők esetében
    • Hiányzó adatok kezelése
    • Outlierek kezelése
  • Regresszió és osztályozás
    • Lineáris és többszörös regresszió: Alapok és algoritmusok
    • Logisztikus regresszió, döntési fák, k-NN: Osztályozó algoritmusok
    • Hiperparaméter optimalizálás: Grid search, Random search
  • Klaszterezés és dimenziócsökkentés
    • K-Means és Hierarchikus klaszterezés: Alapvető klaszterezési módszerek
    • DBSCAN és GMM: Sűrűség-alapú és eloszlás-alapú klaszterezés
    • Főkomponens-analízis (PCA): Dimenziócsökkentés alapjai
    • t-SNE és UMAP: Nem-lineáris dimenziócsökkentési technikák
  • Modellválasztás és értékelés
    • Modellválasztás: Algoritmusok összehasonlítása és kiválasztása
    • Felosztás adatokra: Tanító- és tesztadatok, keresztvalidáció
    • Értékelési metrikák: MSE, R-squared, F1-score, ROC AUC stb
  • Túltanulás és alultanulás
    • Overfitting és underfitting: Modell komplexitás és teljesítmény
    • Regularizáció
    • Bias-variance tradeoff: Modell finomhangolás és optimalizálás
 
7. modul
2 alkalom

Projekt

  • Etika az adatelemzésben
    • Adatvédelem és biztonság
    • Diszkrimináció és elfogultság
    • Adatok átláthatósága és interpretálása
    • Felelős adatelemzési gyakorlatok
    • Adatforrások és adatgyűjtés
    • Példák és esettanulmányok
  • Projektvisszajelzés | Összefoglalás
    • A legfontosabb fogalmak és technikák áttekintése: Az adattisztítással, a statisztikai elemzéssel, a gépi tanulási algoritmusokkal és az adatvizualizációval kapcsolatos ismeretek megerősítése
    • További tanulási területek meghatározása: Segítsen a tanulóknak felismerni azokat a területeket, ahol több gyakorlatra vagy mélyebb megértésre van szükségük, így irányítva az adatelemzéssel kapcsolatos további tanulásukat
 
A kurzussal, a részvételi díjjal és a részletfizetési lehetőséggel kapcsolatos további részletekért jelentkezz most!