DATA ANALYST

• Definirea și importanța analizei datelor
• Rolul analistului de date
• Competențele necesare ale unui Data Analyst: ex. SQL, Python, R, analiza exploratorie a datelor (EDA), Tableau și Power BI

• Exemple concrete - cum folosesc companiile analiza datelor
• Discuții și exemple de utilizare a datelor
• Aplicații tradiționale și inovative

Activitate practică: Studiu de caz pe o companie reală, analizând impactul analizei datelor asupra inovației și creșterii acesteia.

• Concepte de statistică esențiale: ex. media, mediana, modul, varianța, și deviația standard
• Probabilități și aplicațiile lor
• Exerciții interactive

Activitate practică: Aplicarea conceptelor statistice de bază pe un set de date pentru a calcula media, mediana și modul.

• Identificarea nevoilor de business
• Colectarea datelor
• Evaluarea calității datelor
• Curățarea datelor
• Normalizarea datelor

Activitate practică: Colectarea și curățarea unui set de date folosind Google Sheets, pregătindu-l pentru analiză.

• Obțineți sume și medii rapid, ex: SUM, AVERAGE
• Asociați date eficient, ex: VLOOKUP, INDEX/MATCH
• Analize condiționale simplificate, ex: IF, COUNTIF

Activitate practică: Utilizarea formulelor avansate în Google Sheets pentru a rezolva scenarii complexe de analiză a datelor.

• Crearea și personalizarea tabelelor pivot
• Utilizarea graficelor pentru vizualizarea datelor (linie, bară, pie etc.)
• Best practices pentru designul rapoartelor
• Practică: crearea unui raport de date vizual complex

Activitate practică: Crearea de tabele pivot și grafice pentru a vizualiza tendințele dintr-un set de date de vânzări.

• Introducere în MySQL Workbench
• Bazele Interogărilor SQL, ex: SELECT, WHERE, ORDER BY
• Vizualizări și Join-uri

Activitate practică: Executarea interogărilor SQL de bază pentru a explora structura unei baze de date și a extrage date relevante.

• Filtrare avansată, utilizarea clauzelor WHERE avansate, cum ar fi IN, BETWEEN, LIKE, și funcțiile de agregare (ex. COUNT, MAX, MIN)
• Sortarea datelor
• Gruparea datelor

Activitate practică: Filtrarea și gruparea unui set de date complex folosind clauze SQL avansate pentru a identifica modele.

• Join-uri complexe: Explorarea diferitelor tipuri de join-uri (INNER, LEFT, RIGHT, FULL OUTER) și utilizarea lor pentru a combina date din mai multe tabele
• Subinterogări
• Funcții analitice: Prezentarea funcțiilor analitice SQL (ex. RANK, DENSE_RANK, ROW_NUMBER) pentru analiză avansată

Activitate practică: Utilizarea join-urilor complexe și a subinterogărilor pentru a analiza relațiile dintre tabelele multiple.

• Optimizarea interogărilor
• Instrumente SQL avansate - Window Functions, CTE (Common Table Expressions), Indexuri, Triggere, etc
• Studii de caz și sarcini practice

Activitate practică: Simularea unui interviu pentru un post de analist de date, cu accent pe optimizarea interogărilor SQL și prezentarea unor instrumente avansate.

• Configurarea mediului
• Citirea datelor
• Explorarea datelor: interacțiunea cu obiectele DataFrames și Series

Activitate practică: Configurarea mediului de dezvoltare Python și exerciții de bază cu Pandas pentru manipularea datelor.

• Tehnici de curățare a datelor
• Agregarea și gruparea datelor
• Transformarea datelor

Activitate practică: Implementarea tehnicilor avansate de curățare a datelor și agregarea datelor pentru a rezolva o problemă specifică.

• Manipularea datelor timp
• Combinații de seturi de date
• Analiza seriilor temporale

Activitate practică: Manipularea datelor timp și combinarea seturilor de date din surse diferite pentru a crea un dataset unificat pentru analiză.

• Introducere în Matplotlib
• Utilizarea Seaborn pentru vizualizări
• Proiect curs

Activitate practică: Crearea de vizualizări de date complexe cu Matplotlib și Seaborn, bazate pe setul de date analizat în lecțiile anterioare.

• Interfața și conceptele de bază Power BI
• Conectarea la surse diverse de date
• Curățarea și structurarea eficientă a datelor

Activitate practică: Conectarea la diverse surse de date pentru a pregăti un raport interactiv.

• Construirea modelelor de date pentru analize profunde
• Crearea de vizualizări de date impresionante și interactive, punând un accent deosebit pe designul și personalizarea graficelor
• Metode de publicare și partajare a descoperirilor prin rapoarte vizuale

Activitate practică: Dezvoltarea unui model de date complex în Power BI și crearea de vizualizări interactive care să răspundă la întrebări specifice de afaceri.

Activitate practică: Revizuirea și discuția principalelor concepte și tehnici învățate în curs, printr-o serie de quiz-uri interactive.

Activitate practică: Participarea la o simulare de interviu pentru un post de analist de date, evaluând abilitățile tehnice și de comunicare dobândite.

• Familiarizarea cu Data Science și importanța algoritmilor
• Înțelegerea și aplicarea algoritmilor supervizați
• Explorarea algoritmilor nesupervizați și utilizările lor
• Aplicarea practică și continuarea învățării în Data Science

Activitate practică: Explorarea unui dataset simplu utilizând Python pentru a implementa și compara rezultatele algoritmilor supervizați (ex. regresie liniară) și nesupervizați (ex. clustering K-means). Analizați eficacitatea fiecărui tip de algoritm în contextul dat.

Activitate practică: Crearea unui CV orientat către rolul de Data Analyst, evidențiind proiectele și competențele relevante dobândite în timpul cursului. Pregătirea și participarea la o sesiune de mock interview cu un profesionist din domeniu.