Ноутбук с вебинара по прогнозированию временных рядов

Представим, вы увидели рекламу мобильного приложения и решили установить его. Первый запуск, регистрация, возможно даже какие-то покупки. Словом, первые шаги в освоении только что скачанной программы. В это время где-то в мире аналитик начинает кропотливый подсчет сколько же стоило разработчикам довести это самое приложение до конечного потребителя (то есть Вас). Другими словами, он должен рассчитать unit-экономику. Но что же это за зверь такой, unit-экономика?

Об этом мы поговорим на вебинаре «Unit-экономика мобильного приложения», который проведет Ярослав Баранов, Senior BI Analyst в компании Tango.

Вторник, 10 ноября, 19:30

Регистрация на вебинар

Залетайте к нам сегодня на вебинар в 19:30!

В этот раз Ярослав Баранов, Senior BI Analyst в компании Tango, будет рассказывать про Unit-экономику мобильных приложений и способы её расчета.

Скоро начинаем по ссылке

Не так давно мы выкладывали нетехническое введение и продолжение LMM от Александра Манаенкова, ментора karpov.courses. Однако тема LMM/GEE таит в себе много других тонких моментов, часто зависящих от конкретной области исследования. И их каждый должен открыть для себя сам.

Что ещё почитать?

● Статья «Линейные модели со смешанными эффектами в когнитивных исследованиях»

Один из немногих русскоязычных источников по LMM за авторством А. А. Четверикова. Статья главным образом ориентирована на когнитивных психологов, но может быть полезна и для “непосвящённых”.

● Mixed Effects Models and Extensions in Ecology with R, Alain F. Zuur

Однозначный мастридом является книга «Mixed Effects Models and Extensions in Ecology with R». Она на R и ориентирована на экологов, однако рассказывает не только про LMM, но и про GLM, GEE и нелинейные модели.

● Multilevel Analysis: An Introduction To Basic And Advanced Multilevel Modeling, Tom A. B. Snijders

Более ориентирована именно на модели со смешанными эффектами книга «Multilevel Analysis: An Introduction To Basic And Advanced Multilevel Modeling». Она больше говорит именно о теории, лежащей за LMM, но содержит много примеров из разных статистических программ.

● Generalized Estimating Equations, James W. Hardin, Joseph M. Hilbe

Аналогичная по своей сути книга, но для GEE. Сочетание теории и практики с большим количеством примеров – всё, что нужно для глубокого погружения в тему.

Человечество не раз сталкивалось со стремительным распространением инфекционных заболеваний. Увы, лекарства появлялись не так же стремительно, поэтому были придуманы такие меры противодействия, как изоляция больных и минимизация контактов между людьми. Для оценки эффективности предпринимаемых мер важно предсказать, как будет меняться число заражений после их принятия.

В рамках лекции вы узнаете:
● Как устроен часто используемый способ моделирования течения эпидемий
● Как улучшить результаты подобного моделирования
● Какие факторы не учитываются в этих моделях

По итогу вы сможете самостоятельно смоделировать график заболеваемости в отдельно взятой стране и влияния на него введения карантина.

Занятие провёл руководитель группы аналитики поиска Mail.ru, преподаватель Python на программах проф.переподготовки ФКН ВШЭ – Ян Пиле.

Ссылка на ноутбук

На прошлом неделе мы провели вебинар по Unit-экономике мобильных приложений, а значит самое время для дополнительных материалов!

● Статья Олега Якубенкова для GoPractice

Несмотря на то, что одним из основных пунктов вебинара был ответ на вопрос «что же такое Unit-экономика?», всё равно советуем самостоятельно углубиться в изучение темы. Ну, или почти самостоятельно – со статьей «Юнит-экономика за 30 слов. Расчет юнит-экономики без калькулятора».

● Вся Unit-экономика в одной инфографике

21 метрика, 16 формул и более 40 связей на одном листе А4. Можно распечатать и повесить над рабочим столом для полного погружения в причинно-следственные связи между метриками.

● Презентация с вебинара Ярослава Баранова

Тезисный конспект лекции «Unit-экономика мобильных приложений». Только формулы, определения и никакой воды. Но все-таки рекомендуем посмотреть вебинар, тем более он все еще доступен в записи по ссылке :)

Та самая статья с вебинара по Unit-экономике! Сохраняйте и не теряйте :)

Всем привет! На связи Анатолий Карпов.

Вместе с командой Karpov.Courses мы создали онлайн-курс по анализу данных, где делаем упор на задачи, с которыми ежедневно сталкиваются настоящие специалисты.

Близится новый месяц, а значит мы запускаем уже седьмой поток специализации «Аналитик данных».

Хотите сменить профессию или получить новые навыки? За 5 месяцев интенсивного обучения вы освоите спектр Hard Skills, необходимых на позиции аналитика: Python, Git + Airflow, SQL, статистика, A/B тесты, продуктовая аналитика, развитие продукта и, конечно же, визуализация.

Подробнее ознакомиться с программой можно на нашем сайте karpov.courses, а задать свои вопросы – в личные сообщения сообщества.

Старт нового потока уже 1 декабря. До встречи на курсе!

Начиная с сентября, karpov.courses начали активно развиваться в почти всех популярных социальных сетях! Разве что до TikTok еще не дошли 🙂 А пока мы не начали снимать тиктоки, предлагаем поддерживать нас там, где удобнее.

Другие наши соц.сети:
Наш ВКонтакте
Страница Facebook
Канал YouTube

Если вы искали курсы по программированию, то наверняка не раз встречали слово «буткемп». Давайте разберемся, что это такое.

Изначально в Штатах буткемпом называли программы интенсивной подготовки новобранцев в армии. Сегодня же, этот термин используется гораздо шире и чаще ассоциируется с тренировочными лагерями по кодингу. Это неслучайно: время в IT течет гораздо быстрее, чем в других специальностях, и знания быстро устаревают. Иными словами, то, чему вы научитесь сейчас, через два года уже может стать неактуальным.

А как же выпускники технических ВУЗов? Главное отличие «лагерей» от университета кроется в длительности и в практикоориентированности. Никаких общеобразовательных предметов, преподаватели – востребованные специалисты своей области, а программа обучения адаптируется и регулярно обновляется в соответствии с тенденциями IT-рынка.

Karpov.Courses как раз построены по системе буткемпов, ведь чем быстрее и напряженнее программа обучения, тем проще будет влиться в реальную работу и следовать за изменениями.

1 декабря у нас старт нового потока – узнайте, что такое буткемп на собственном опыте! Вам обязательно понравится :)

Несколько месяцев назад мы проводили открытый вебинар про GLM, где знакомились с обобщенными линейными моделями. Это знание значительно улучшило уровень жизни при подборе правильного распределения.

Однако в реальном мире не существует истинно линейных взаимосвязей. Хотя для коротких промежутков данных допущение линейности иногда работает, на практике же легко могут попасться такие переменные, взаимосвязи между которыми нельзя анализировать с использованием этого допущения.

На вебинаре «Шум и GAM: обобщённые аддитивные модели» мы узнаем:
● Как нелинейность взаимосвязи портит наши данные?
● Как моделировать нелинейные взаимосвязи, оставаясь в регрессионном контексте?
● Что такое лекало и какое отношение это имеет к вопросу?
● Какие похожие регрессионные методы могут встретиться в работе аналитика?

Занятие проведет Манаенков Александр, ментор KarpovCourses и выпускник кафедры психофизиологии факультета психологии МГУ.

Ждем всех в этот четверг, 3 декабря, в 20:00

Запись по ссылке

Скоро начинаем! Уже в 20:00 Александр Манаенков, ментор Karpov.Courses, расскажет про нелинейные взаимосвязи и особенности работы с ними.

Присоединяйтесь!

Вчера вечером, сквозь небольшой сумбур Александр Манаенков провел вебинар по GAM, где рассказал и о лекалах, и о сплайнах, и об использовании их на практике.

Спасибо всем, кто был на трансляции и комментировал! Это всегда очень поддерживает наших лекторов :)

Как и обещали, прикрепляем ниже презентацию и ноутбук.

P.S. запись лекции доступна по ссылке

Презентация

Ноутбук с вебинара

Алгоритмы машинного обучения – это одни из самых популярных инструментов дата-аналитиков. Однако большинство нейронных сетей используются как black-box: люди даже не знают, как они работают. Например, нейросеть умеет классифицировать породы собак, но делает она это опираясь на знание, что одни породы чаще сфотографированы дома, а другие – на лужайке.

Как определить, опираясь на какие параметры работает нейросеть? Читаем в статье «Интерпретация моделей машинного обучения в python: shap» от Екатерины Скрипцовой, младшего аналитика ВКонтакте и ментора Karpov.Courses.

Не за горами запуск 10-го потока, а значит пора поделиться, что же происходит на специализации «Аналитик данных». Каждую неделю мы будем рассказывать о преподавателях karpov.courses и модулях, которые они ведут.

Сегодня начнем, разумеется, с основателя и лектора первых модулей – Анатолия Карпова. Мы уже рассказывали о пути Анатолия в дата аналитику, так что сразу перейдем к его роли как преподавателя курсов. Анатолий читает лекции по самому первому модулю «Python», где закладывается фундамент: основы программирования, знакомство с библиотеками для анализа данных, визуализации и работы с файловой системой.

Зачем же нужен Python начинающего аналитику? Отвечает Анатолий Карпов:

«Python на сегодняшний день – один из самых популярных языков для работы с данными и незаменимый инструмент для аналитика. При помощи Python вы научитесь автоматизировать рутинную работу, применять статистику и строить модели машинного обучения».

Первые три лекции по Python доступны в демо-версии курса.

Трудно поверить, но ровно год назад маленькая команда из трех человек запустила интенсив по Python, недолго думая, назвав проект karpov.courses.

Небольшой проект вырос до полноценной специализации, команда — до 26 человек, а количество студентов уже достигло отметки 315 человек.

Верим, что это только начало. Мы продолжим делать душевный и полезный EdTech, а наши выпускники будут работать там, где захотят. Ура!

Если вдруг у вас нет планов на вечер, то присоединяйтесь слушать подкаст о связи работы в индустрии и образовательных проектов вместе с командой ВКонтакте. Если планы есть, то скорее освобождайтесь и тоже подключайтесь 🙂

Видео дня – новое интервью karpov.courses!

Наш гость – Максим Годзи, создатель инструментов аналитики Retentioneering, а ранее – исследователь в университете UPENN США, аналитик Yandex Такси и руководитель ML, аналитики и Data Science в App in the Air.

Помимо пути Максима из биофизики в аналитику, в интервью вы узнаете:
● Как машинное обучение и математика помогают по-новому взглянуть на аналитические процессы?
● Чем оптимизация бизнес моделей стартапов напоминает оптимизацию структур белков?
● Как подбирать и проверять продуктовые параметры через симуляцию?
● Как создавался Retentioneering и во имя чего?

Это всего лишь первая часть нашего большого диалога, так что пишите свои вопросы в комментарии к видео и stay tuned!