Скоро на All-DAR ИИ для анализа данных [Simulative] Марина Ермак

[ALL DAR Bot]

Название: ИИ для анализа данных [Simulative] Марина Ермак

Описание:
Авторский курс для аналитиков, продакт-менеджеров и всех, кто работает с данными.

Научитесь эффективно использовать существующие ИИ-сервисы в работе и ускорять решение аналитических задач.

Спойлер: Автор Марина Ермак — Руководитель отдела аналитики и машинного обучения: прошла путь от стажёра-аналитика и с нуля выстроила процессы между аналитикой, разработкой и бизнесом

• Прошла путь от стажёра до руководителя отдела аналитики и машинного обучения: с нуля сформировала отдел, выстроила процессы между аналитикой, бизнесом и разработкой.
• Внедряла нейросетевые решения в процессы карьерных специалистов.
• Выступала на конференциях карьерных специалистов API и Skolkovo Startup Village, публиковалась на Хабре.
• Работала в Курчатовском институте, сотрудничала с ЦЕРН, выступала на конференциях МФТИ, «Ломоносов», ИТЭФ. Выпускница МФТИ с красным дипломом. Ведёт тренинги по системному и критическому мышлению.

Что вы сможете в результате?

Быстрее решать рабочие задачи

Узнаете все особенности работы с ИИ-сервисами и начнёте получать от нейросетей быстрый и качественный результат для своих запросов в области анализа данных

Делегировать рутину, сфокусироваться на главном

Выделите время на стратегически важные задачи и делегируете нейросетям стандартную работу: написание кода и создание визуализаций

Использовать новые инструменты

Разберётесь в многообразии нейросетей, освоите современные техники промптинга и поймёте, какой ИИ-сервис применять в зависимости от запроса

Программа курса

Урок 1. Современные подходы в промптинге, современные модели

Нейросети: DeepSeek, Gemini, chatGPT, GigaChat, Алиса
• Что такое LLM (языковые модели)
• Базовые паттерны промптов
• Системный промт и промт для проектов
• Типовые ошибки: галлюцинации, “забытые” ограничения и как с ними бороться
• Обзор индустрии
• Чек-лист качества ответа

Урок 2. Работа с текстом и документацией для проектирования процесса

Нейросети: DeepSeek, chatGPT, GigaChat
• Сбор и структура требований к проекту (бриф → PRD/техзадание)
• Как делать A/B-тестирование: гипотеза → дизайн эксперимента → выбор метрик → риски → критерии успеха
• Описание и подсчёт метрик для проекта
• “ИИ-редактор”: улучшение ясности, снятие неоднозначностей, контроль терминологии
• UML-диаграммы и как их рисовать

Урок 3. Скрипты на pandas через вайбкодинг

Нейросети: Google Colab + Cursor
• Вайбкодинг: основные принципы и опасности
• Работа в Google Colab + AI assistant
• Cursor для аналитика: генерация и рефакторинг кода, объяснение чужого кода, быстрый поиск по проекту, правки “по месту”
• Отладка с ИИ
• Контроль качества: проверка логики, простые тест-кейсы

Урок 4. Вайбкодинг SQL-запросов с учётом модели и СУБД

Нейросети: Claude, chatGPT, Gemini
• Как правильно задавать контекст для SQL: схема, ключи, фильтры, временная логика
• Диалекты и нюансы (PostgreSQL / BigQuery / ClickHouse)
• Проверка корректности запросов
• Оптимизация запросов (EXPLAIN ANALYSE)
• Как просить ИИ объяснить запрос и потенциальные ошибки

Урок 6. Визуализация данных с ИИ (от графика к истории)

Нейросети: chatGPT, NotebookLM, Gemini
• Визуализация под задачу и данные
• Генерация кода визуализаций (matplotlib / plotly — на уровне примеров)
• Структура сторителлинга для визуализации через ИИ

Спойлер: URL

Материал «ИИ для анализа данных [Simulative] Марина Ермак», возможно, скоро появится на All-dar.

Пройдите регистрацию и оформите Premium подписку, чтобы первым получить доступ, и воспользуйтесь поиском — может быть, он уже опубликован.​

Качать без ограничений Купить доступ за ₽3.000,00