65 полезных ресурсов для начинающих аналитиков и специалистов по Data Science

Чтобы без проблем справиться как с задачами и отчётами, так и с собеседованиями и построением карьерного трека.

Профессии в анализе данных

Питонтьютор. Понятный и удобный курс для освоения базы. Много задач для практики, которые попадаются на собеседованиях.

Интерактивный тренажёр по SQL. Курс с множеством практических заданий на создание SQL-запросов.

Упражнения на SQL-EX. Тренажёр для написания запросов SELECT. Регулярно решайте задачи, чтобы уверенно чувствовать себя на собеседованиях.

Python PANDAS, полный курс для начинающих. Библиотека Pandas помогает удобно работать с табличными данными и похожа логикой на SQL.

Основы NumPy. Библиотека NumPy помогает удобно производить математические операции и используется во многих других библиотеках.

Matplotlib и Seaborn. Библиотеки для визуализации данных. В Seaborn графики выглядят красивее, а Matplotlib гибко настраивается.

50 оттенков Matplotlib. Статья с примерами графиков, чтобы построить что-то подобное для своих данных.

Тренировки по алгоритмам. Лекции с теорией, домашними заданиями и разборами. Лучших участников готовят к прохождению алгоритмических собеседований.

LeetCode. Сайт с задачами для подготовки к собеседованиям.

Теория вероятностей поможет проанализировать данные и отличить случайности от закономерностей.

Основы математической статистики. Курс связан с теорией вероятностей, с его помощью можно научиться делать достаточно точные выводы о данных по их выборке.

Stepic Contest. Data Science. Курс, в котором можно изучить основы Data Science. Уроки написаны на английском языке. Уникальность программы в том, что она подстраивается под уровень ученика. Для этого в каждом уроке нужно оценить его уровень сложности. Программа проанализирует ответы и учтёт их при выборе следующих лекций.
«Нейронные сети и компьютерное зрение». Бесплатный курс с видеоуроками, тестами и интерактивными заданиями. Для обучения понадобится знание математической статистики и языка Python.

«Наука о данных». Курс о том, для чего нужна наука о данных в бизнесе. Десять теоретических модулей с примерами реальных компаний, которые используют ML.

«Пристанище Дата Сайентиста». Телеграм-канал Рената Алимбекова про карьеру и обучение в Data Science. Автор рассказывает о своём опыте и публикует ссылки на книги, гайды и курсы.
Data Science. Канал с новостями о машинном обучении, лекциями и ссылками на книги.

Machinelearning. Авторы канала разбирают новинки из области машинного обучения, вопросы с собеседований. Публикуют ссылки на бесплатные курсы и гайды.

Data Science | Machinelearning [ru]. В канале публикуют статьи на темы, которые будут полезны начинающим специалистам по Data Science: про машинное обучение, ИИ, Python и математику.

Data Science Notes. Публикуют ссылки на статьи и литературу по Data Science. Есть полезная информация и для начинающих, и для опытных специалистов.

Job for Analysts & Data Scientists. Канал с вакансиями для диджитал-аналитиков и Data Scientists. Можно найти предложения, которых нет на популярных сайтах по поиску работы.

Data School. Youtube-канал для Data Scientists, которые начинают развиваться в профессии. Автор Кевин Маркем публикует видеоуроки по машинному обучению и лайфхаки, которые помогают решать рабочие задачи.

«ФКН ВШЭ». Канал факультета компьютерных наук Высшей школы экономики. Можно найти видео про программирование, machine learning и работу с данными.

miracl6. Автор канала делится своим опытом обучения и построения карьеры в Data Science.

«Думай как математик: как решать любые задачи быстрее и эффективнее ». Автор: Барбара Оакли. Авторе пишет, как можно сделать мышление более «математическим».
«Data Science. Наука о данных с нуля». Автор: Джоэл Грас. Учебник по Data Science для начинающих. Можно изучить Python, разобраться в моделях машинного обучения и узнать, какие существуют методы исследования данных.

«Python и анализ данных». Автор: Уэс Маккинни. Описывает возможности Python и его библиотек, которые пригодятся в аналитике данных.

Data Science Pet Projects. FAQ. Статья для начинающих специалистов Data Science о том, как делать pet-проекты: как выбирать тему, искать вычислительные ресурсы и оформлять работу в презентабельный вид.

Блог InfoQ. Ресурс на английском языке, в котором есть блок о машинном обучении. Можно почитать статьи о том, как тестировать ML-модели и как искусственный интеллект помогает бороться с мошенниками.

Начните учиться бесплатно

«Просто о SDLC». Видео о жизненном цикле разработки программного обеспечения.

«Что такое SDLC? Этапы, методология и процессы жизненного цикла программного обеспечения». Ещё одна статья о жизненном цикле разработки ПО.

«Что такое Жизненный цикл разработки ПО?». Статья рассказывает о самых распространённых проблемах на каждом этапе разработки ПО.

«Технология разработки программных комплексов». Курс на платформе Stepik. Особенно рекомендуем урок 2.2 «Методы выявления требований к ПО. Уровни требований».

«Стейкхолдеры / Кто это? / Stakeholders». Видеознакомство с понятием «стейкхолдер».

«Как сделать классификацию стейкхолдеров и план коммуникаций?» Видео с практичными советами о том, как работать со стейкхолдерами.

«Стейкхолдер». Справочная статья в медиа «Бизнес-секреты».

«Зачем нужен эмоциональный интеллект и как его развивать». Статья с советами о том, как работать с людьми, — поможет при работе с командой разработки и стейкхолдерами.

«Эмоциональный интеллект. Почему он может значить больше, чем IQ». Автор: Дэниел Гоулман. Книга о том, как развить эмоциональный интеллект — в том числе для эффективной работы с людьми.

«Разработка требований к программному обеспечению». Книга-мастхев для бизнес-аналитиков, как начинающих, так и опытных.

Введение в бизнес-аналитику

«Требования для программного обеспечения: рекомендации по сбору и документированию». Автор: Илья Корнипаев. Выжимка основных моментов книги Вигерса «Разработка требований к программному обеспечению», которую считают библией системного аналитика.

«Постановка задачи на разработку ПО». Бесплатный курс, на котором можно научиться выявлять требования и управлять ими.

База знаний школы Systems Education. Большая база ссылок на статьи по различным темам: от работы с требованиями до протокола WebSocket.

Enterprise Integration Patterns. Сайт одноимённой книги, на котором всю информацию собирают её авторы. Один из лучших ресурсов с кратким описанием архитектурных паттернов для проектирования интеграции.

«Высоконагруженные приложения. Программирование, масштабирование, поддержка». Автор: Мартин Клеппман. Книга помогает расширить кругозор по проектированию систем.

«Базы данных. Проектирование, реализация и сопровождение. Теория и практика». Авторы: Томас Коннолли и Каролин Бегг. Книга по проектированию систем хранения данных. Основной упор сделан на реляционных СУБД, но авторы пишут и про альтернативные типы баз данных.

«26 основных паттернов микросервисной разработки». Статья-обзор основных паттернов организации работы с микросервисами для системных аналитиков уровня middle и выше.

PlantUML. Инструмент работы с диаграммами в нотации UML.

Swagger Editor. Инструмент для проектирования API, обладающий преимуществами по сравнению с условными табличками в Confluence.

«Что нужно знать системному аналитику уровня Middle и Senior: план развития Hard Skills». Автор статьи Алексей Чижов описал один из самых подробных чек-листов по знаниям системного аналитика уровня middle и senior.

1 тема курса: разбор профессии

Основы анализа данных и Python. Бесплатный курс из трёх модулей: «Основные концепции анализа данных», «Практическая работа с данными», «Основы работы с Python».

Основы математики для цифровых профессий. Бесплатный курс из трёх основных модулей: «Множества и логика», «Комбинаторика», «Теория вероятностей». Также прилагаются три дополнительных бесплатных части: «Числа», «Дроби» и «Алгебра».

Основы статистики и A/B-тестирования. Бесплатный курс из четырёх модулей: «Основы статистики», «Статистические тесты», «A/B-тесты», «Симулятор».

Основы работы с базами данных и SQL: онлайн-обучение с нуля. Бесплатный курс из четырёх модулей: «Введение в базы данных», «Работа с выборками», «Группировка и агрегации», «Симулятор».

Собеседования джуна аналитика данных: чего ждут и что спрашивают работодатели. Статья о том, как подготовиться к рабочему интервью, чтобы оно прошло спокойно и без лишнего стресса.

Как аналитики данных и специалисты по Data Science находят работу после курсов: опыт Практикума. Статья от наставницы на курсе «Аналитик данных» о том, сколько времени и усилий занимает у выпускников курсов Практикума устроиться на желаемую должность.