Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум

  1. Урок 1. 00:56:42
    Модуль Вводный вебинар - HardDA
  2. Урок 2. 00:04:04
    Вводное интро от хедлайнера
  3. Урок 3. 00:06:06
    Интро к модулю - Продуктовый подход к созданию отчетности-
  4. Урок 4. 00:17:12
    BI-система как продукт
  5. Урок 5. 00:15:10
    Алгоритм создания Dashboard Map
  6. Урок 6. 00:12:02
    Роли бизнес пользователей системы отчетности
  7. Урок 7. 00:17:49
    Анализ продуктов, бизнес-процессов и сущностей компании
  8. Урок 8. 00:42:22
    Какие типы дашбордов бывают и какие задачи они решают
  9. Урок 9. 00:10:25
    Метрики и Срезы
  10. Урок 10. 00:18:23
    Фасилитация
  11. Урок 11. 01:33:01
    Воркшоп с Ромой Буниным 07.06.2023
  12. Урок 12. 01:03:59
    Итоговое задание. Сбор информации
  13. Урок 13. 00:28:38
    Дизайн-паттерны
  14. Урок 14. 00:24:17
    Разбор кейса
  15. Урок 15. 01:00:02
    Вебинар по итоговому проекту по дашбордам
  16. Урок 16. 00:14:56
    1.1 Понятие хранилища данных
  17. Урок 17. 00:21:03
    1.2 Архитектура хранилища данных
  18. Урок 18. 00:08:31
    1.3 Процессы вокруг хранилища данных
  19. Урок 19. 00:11:35
    1.4 Инструменты для построения платформы данных
  20. Урок 20. 00:20:57
    2.1 Что такое S3, примеры использования и понятия
  21. Урок 21. 00:25:54
    2.2 Понятия, необходимые для работы с S3 и Библиотека Boto3
  22. Урок 22. 00:28:10
    3 Spark. Что такое Spark и его основные концепции
  23. Урок 23. 00:16:07
    3.2 Spark. RDD, Dataframe, Dataset, Narrow и Wide Transformations
  24. Урок 24. 00:03:56
    4 Инструкция к практике по Spark
  25. Урок 25. 00:13:19
    5.1 Оптимизация запросов в Spark.
  26. Урок 26. 00:31:10
    5.2 Оптимизация запросов в Spark. Партиции и способы решения skew
  27. Урок 27. 00:19:54
    5.3 Оптимизация запросов в Spark. Кэширование, пользовательские функции, фильтрация
  28. Урок 28. 00:12:00
    6.1 ClickHouse. Профиль использования
  29. Урок 29. 00:16:42
    6.2 ClickHouse. Основные понятия СУБД
  30. Урок 30. 00:16:43
    6.3 ClickHouse. Движки
  31. Урок 31. 00:12:52
    6.4 ClickHouse. Специфичные функции
  32. Урок 32. 00:20:56
    7 Оптимизация запросов в ClickHouse
  33. Урок 33. 00:25:00
    7.2 Типичные ошибки использования ClickHouse
  34. Урок 34. 00:14:51
    3 Организация работы DWH. Data Mesh
  35. Урок 35. 01:58:54
    Вебинар -Как не опустить руки при поиске работы-
  36. Урок 36. 00:09:38
    1 Интро к блоку бизнес предпосылки эксперимента
  37. Урок 37. 00:18:21
    2.1 Вводное слово. Место эксперимента в data driven компаниях
  38. Урок 38. 00:08:34
    2.2 Evidence leader. Уровни доказательной силы
  39. Урок 39. 00:19:14
    2.3 Ключевые ингредиенты хорошей экспериментальной кухни
  40. Урок 40. 00:26:11
    2.4 Data driven и experiment driven принципы
  41. Урок 41. 00:09:46
    2.5 Эволюция экспериментов в компании
  42. Урок 42. 00:11:46
    3.1 Интро. Как выстроить правильные процессы
  43. Урок 43. 00:30:26
    3.2 Double diamond
  44. Урок 44. 00:21:53
    3.3 Фреймворк оценки проблемы решения
  45. Урок 45. 00:32:49
    3.4 Разные способы проверки гипотез
  46. Урок 46. 00:24:23
    3.5 Правильные гипотезы
  47. Урок 47. 00:11:01
    3.6 Кумулятивные эффекты. Проблема Exploration Exploitation
  48. Урок 48. 00:03:18
    1 Интро к блоку 'Продвинутый дизайн экспериментов'
  49. Урок 49. 00:14:54
    2.2 Классификация метрик. Целевые показатели
  50. Урок 50. 00:20:01
    2.3 Классификация метрик. Метрики движущих сил и Ограничительные метрики
  51. Урок 51. 00:25:45
    2.4 Работа с метриками в деталях
  52. Урок 52. 00:19:06
    2.5 Важные практики при работе с метриками. Закон Гудхарта
  53. Урок 53. 00:30:43
    3.1 Метрики в эксперименте
  54. Урок 54. 00:19:36
    3.2 Типы метрик
  55. Урок 55. 00:25:08
    3.3 Proxy метрики. Практика в Python
  56. Урок 56. 00:15:10
    4.1 Интро. Виды ошибок
  57. Урок 57. 00:21:26
    4.2 Мощность теста
  58. Урок 58. 00:05:53
    4.3 Мощность в Python Notebook
  59. Урок 59. 00:09:41
    4.4 Размер эффекта и чувствительность теста MDE
  60. Урок 60. 00:03:42
    4.5 MDE в Python Notebook
  61. Урок 61. 00:14:40
    4.6 Выбор MDE
  62. Урок 62. 00:03:40
    4.7 Анализ мощности
  63. Урок 63. 00:23:27
    4.8 Анализ мощности в Python Notebook. Резюме
  64. Урок 64. 00:18:10
    4.9 Бизнес аспекты работы
  65. Урок 65. 00:16:21
    5.1 Интро. Типы выборок
  66. Урок 66. 00:23:18
    5.2 Типы выборок. Практика в Python
  67. Урок 67. 00:23:28
    5.3 Ошибки формирования выборок + SRM
  68. Урок 68. 00:16:50
    5.4 Ошибки формирования выборок + SRM. Практика в Python
  69. Урок 69. 00:22:32
    5.5 Репрезентативность
  70. Урок 70. 00:09:15
    5.6 Репрезентативность. Практика в Python
  71. Урок 71. 00:19:19
    6.1 Статистические критерии
  72. Урок 72. 00:53:52
    6.2 Статистические критерии. Практика в Python
  73. Урок 73. 00:19:45
    7.1 Бутстрап
  74. Урок 74. 00:51:13
    7.2 Бустрап. Практика в Python
  75. Урок 75. 00:03:46
    7.3 Буnстрап. Резюме
  76. Урок 76. 00:11:03
    8.1 Причины возникновения проблемы множественных сравнений
  77. Урок 77. 00:07:12
    8.2 Причины возникновения проблемы множественных сравнений. Практика в Python
  78. Урок 78. 00:07:23
    8.3 Способы решения проблемы множественных сравнений
  79. Урок 79. 00:27:52
    8.4 Способы решения проблемы множественных сравнений. Практика в Python
  80. Урок 80. 00:52:19
    9.1 Эффект новизны
  81. Урок 81. 00:24:25
    9.2 Эффект новизны. Практика в Python
  82. Урок 82. 00:16:11
    10.1 Чек-лист экспериментов
  83. Урок 83. 00:16:05
    10.2 Чек-лист дизайна экспериментов
  84. Урок 84. 00:20:04
    10.3 Чек-лист этапов после запуска эксперимента
  85. Урок 85. 00:37:38
    11 Презентация результатов
  86. Урок 86. 01:30:59
    12 Воркшоп с Дмитрием Казаковым HardDA-1
  87. Урок 87. 00:03:21
    1 Интро к блоку -Продвинутые методики анализа результатов экспериментов-
  88. Урок 88. 00:20:16
    2.1 Дисперсия данных. Работа с выбросами данных
  89. Урок 89. 00:06:30
    2.2 Работа с выбросами. Практика в Python
  90. Урок 90. 00:07:22
    2.3 Стратификация
  91. Урок 91. 00:19:44
    2.4 Стратификация. Практика в Python
  92. Урок 92. 00:17:28
    2.5 Варианты работы со стратификацией. Практика в Python
  93. Урок 93. 00:29:49
    2.6 Тесты со стратификацией. Практика в Python
  94. Урок 94. 00:16:25
    3.1 CUPED
  95. Урок 95. 00:08:53
    3.2 CUPED. Практика в Python
  96. Урок 96. 00:09:30
    3.3 CUPED t-test
  97. Урок 97. 00:17:01
    3.4 CUPED t-test практика в Python
  98. Урок 98. 00:11:06
    3.5 Пустые значения и размер выборки для CUPED
  99. Урок 99. 00:18:50
    3.6 Пустые значения и размер выборки для CUPED. Практика в Python
  100. Урок 100. 00:17:26
    4.1 SPRT. Проблема подглядывания
  101. Урок 101. 00:25:19
    4.2 SPRT. Варианты решения
  102. Урок 102. 00:20:03
    4.3 SPRT. Практика в Python
  103. Урок 103. 00:19:33
    4.4 Доработка SPRT. Нужный размер выборки
  104. Урок 104. 00:31:01
    4.5 Практика в Python. Резюме
  105. Урок 105. 00:28:36
    5.1 Causal inference и Causal Discovery
  106. Урок 106. 00:25:49
    5.1 Diff in Diff. Практика в Python
  107. Урок 107. 00:06:40
    5.2 Diff in Diff. Резюме
  108. Урок 108. 00:23:36
    5.2 Difference in difference
  109. Урок 109. 00:25:49
    5.3 Diff in Diff. Практика в Python
  110. Урок 110. 00:49:24
    5.4 Diff in Diff. Практика в Python. Работа с грязными данными
  111. Урок 111. 00:06:40
    5.5 Diff in Diff. Резюме
  112. Урок 112. 00:19:54
    6.1 Causal Impact
  113. Урок 113. 00:27:54
    6.2 Ковариаты. Использование Causal Impact
  114. Урок 114. 00:40:20
    6.3 Causal Impact. Практика в Python
  115. Урок 115. 00:31:58
    6.4 Ковариаты. Практика в Python
  116. Урок 116. 00:12:44
    6.5 Использование Causal Impact. Плюсы, минусы. Резюме
  117. Урок 117. 00:19:53
    7.1 Matching
  118. Урок 118. 00:25:45
    7.2 Propensity Score Matching (PSM)
  119. Урок 119. 00:54:37
    7.3 PSM. Практика в Python
  120. Урок 120. 00:11:09
    7.4 Требования к методике. Плюсы, минусы. Резюме
  121. Урок 121. 00:32:24
    1.1 Что такое машинное обучение. Компоненты классической ML-задачи
  122. Урок 122. 00:32:57
    1.2 Градиентный спуск
  123. Урок 123. 00:19:56
    1.3 Линейные модели
  124. Урок 124. 00:45:01
    1.4 6Алгоритмы машинного обучения. Практика в Python
  125. Урок 125. 00:45:01
    1.4 Алгоритмы машинного обучения. Практика в Python
  126. Урок 126. 00:14:18
    1.5 Линейные модели. Практика в Python
  127. Урок 127. 00:19:12
    2.1 Эксперимент машинного обучения
  128. Урок 128. 00:23:22
    2.2 Валидация и обработка данных
  129. Урок 129. 00:15:43
    2.3 Валидация и обработка данных. Практика в Python
  130. Урок 130. 00:53:25
    2.4 Валидация и обработка данных. Практика в Python. Часть 2
  131. Урок 131. 00:42:19
    2.5 Валидация и обработка данных. Практика в Python. Часть 3
  132. Урок 132. 00:13:39
    2.6 Валидация и обработка данных. Практика в Python. Часть 4
  133. Урок 133. 00:12:31
    2.7 Выбор модели
  134. Урок 134. 00:19:55
    2.8 Выбор модели. Практика в Python
  135. Урок 135. 00:08:38
    3.1 Введение
  136. Урок 136. 00:28:42
    3.2 Классификационные ML модели. Практика в Python
  137. Урок 137. 00:12:58
    3.3 Знакомство с общей концепцией в классификации
  138. Урок 138. 00:28:21
    3.4 Deep dive в logReg и SVM
  139. Урок 139. 00:08:31
    3.5 SVM, LogReg. Практика в Python
  140. Урок 140. 00:27:34
    3.6 Метрики
  141. Урок 141. 00:07:59
    3.7 Калибровка вероятностей
  142. Урок 142. 00:38:33
    3.8 Проведение эксперимента. Практика в Python
  143. Урок 143. 00:15:25
    3.9 Метрики. Практика в Python
  144. Урок 144. 00:13:06
    3.10 Множественная классификация
  145. Урок 145. 00:18:15
    5.1 Метрические модели. KNN
  146. Урок 146. 00:13:47
    5.2 Гиперпараметры KNN
  147. Урок 147. 00:20:10
    5.3 Практика в Python. Спецификация задачи
  148. Урок 148. 00:10:11
    5.4 Практика в Python. Pipeline обработки данных.
  149. Урок 149. 00:26:27
    5.5 Практика в Python. Моделирование и эксперименты.
  150. Урок 150. 00:24:06
    7.1 Кластеризация. Алгоритм KMeans
  151. Урок 151. 00:13:45
    7.2 DBSCAN
  152. Урок 152. 00:40:29
    7.3 Кластеризация. Практика в Python
  153. Урок 153. 00:27:59
    7.4 Алгоритм KMeans и DBSCAN. Практика в Python
  154. Урок 154. 00:27:10
    9.1 Эконометрический подход в решении задачи
  155. Урок 155. 00:24:10
    9.2 ARIMA, SARIMA, SARIMAX
  156. Урок 156. 00:42:13
    9.3 Авторегрессионные стратегии прогнозирования.
  157. Урок 157. 00:25:40
    9.4 ARIMA, SARIMA, SARIMAX. Практика в Python
  158. Урок 158. 00:45:09
    11.1 Решающие деревья
  159. Урок 159. 00:23:20
    11.2 Решающие деревья. Практика в Python
  160. Урок 160. 00:25:59
    11.3 Ансамбли моделей
  161. Урок 161. 00:29:18
    11.4 Алгоритмы Random Forest и Gradient boosting
  162. Урок 162. 00:23:00
    11.5 Random Forest и Gradient boosting. Практика в Python
  163. Урок 163. 00:30:04
    1 Q&A сессия
  164. Урок 164. 00:23:57
    2 Q&A-сессия по модулю DWH
  165. Урок 165. 01:23:14
    3 Q&A по модулю “Продвинутые эксперименты”