Яков Осипенков - API Яндекс.Директа, облачные решения и визуализация данных

• Что такое ETL?
• Принцип работы
• Зачем это нужно маркетологу?
• Куда загружать данные? (про облачные хранилища Google BigQuery и ClickHouse)
• Как визуализировать данные? (про инструменты визуализации Google Data Studio и Yandex DataLens)

Яков Осипенков - Курс по сквозной аналитике

1. Взаимодействовать с командой. Узнаете про зоны ответственности каждого члена команды, научитесь понимать, формулировать задачи и подготавливать ТЗ
2. Рассчитывать юнит-экономику. Научитесь определять прибыльность вашего бизнеса на этапе идеи и производить моделирование ключевых показателей
3. Собирать статистику по каналам. Настроите все необходимые отслеживания для сайта и передадите статистику по всем рекламным ам в счетчики аналитики
4. Отслеживать путь клиента. Будете знать все от перехода по рекламному объявлению, посещении сайта, офлайн-магазина, до покупки и повторных продаж
5. Оценивать результаты рекламы. Научитесь анализировать рекламные каналы, повысите конверсию и снизите стоимость целевого обращения
6. Объединять различные данные. Сможете связать информацию из CRM-системы со статистикой счетчиков веб-аналитики с привязкой к статусам сделок и выручке
7. Создавать подробные отчеты. Научитесь строить автоматические отчеты в инструментах визуализации данных Microsoft Power BI и Google Data Studio
8. Анализировать данные. Разберетесь со своей базой клиентов и поймете, сколько стоит вам привлечение каждого человека и по какому у
9. Настраивать сквозную аналитику. Получите необходимые знания для дальнейшего карьерного роста по специальности «Веб-аналитик»

• История возникновения счетчиков веб-аналитики
• Роль веб-аналитики в онлайн-бизнесе
• Две модели аналитики
• Что такое сквозная аналитика?
• «Классическая» и сквозная аналитика. В чем разница?

• Профессия «Веб-аналитик». Кто он?
• Схема работы сквозной аналитики
• Для каких бизнесов (проектов) подходит?
• Кто внедряет сквозную аналитику?
• Инструменты сквозной аналитики
• Основные проблемы, связанные с внедрением
• Почему так мало материалов по сквозной аналитике в сети?

• Персонализация
• Защита персональных данных
• Основные термины веб-аналитики и сквозной аналитики
• Этапы внедрения сквозной аналитики
• Создание собственной модели данных

• Что такое юнит-экономика?
• Метрики, которые необходимы в расчете (CPL, CPO, CAC, LTV, ДРР, ROMI)
• Постоянные издержки
• Переменные издержки
• Примеры расчетов

• Типы счетчиков
• Принципы работы счетчиков веб-аналитики
• Как Google Analytics и Яндекс.Метрика считают пользователей? (файлы cookie, Client ID)
• Кросс-платформенное отслеживание (User ID)
• Структура аккаунта Google Tag Manager, Яндекс.Метрики и Universal Analytics/GA4

• Установка Google Tag Manager, Яндекс.Метрики и Universal Analytics/GA4
• Что отслеживать на сайте?
• Примеры отслеживания
• Разметка трафика с помощью UTM-меток
• Чек-лист по настройке Яндекс.Метрики
• Чек-лист по настройке Universal Analytics

• Настройка целей
• Отслеживание событий (клики по кнопке, отправка формы, просмотр видео, скроллинг и т.д.)
• Настройка чатов, онлайн-консультантов
• Настройка уникального идентификатора пользователя (Client ID)

• Выбор сервиса (статический или динамический?)
• Настройка коллтрекинга
• Отслеживание e-mail писем
• Передача данных в инструменты веб-аналитики

• Настройка расширенной электронной торговли (Enhanced Ecommerce)
• Настройка электронной торговли в Google Analytics 4
• Настройка динамического ремаркетинга
• Кросс-платформенное отслеживание (User ID)

• Для чего нужна CRM?
• Виды CRM
• Какую CRM-систему выбрать?

• Офлайн конверсии / Measurement Protocol
• Про API и Webhooks
• Настройка полей, карточек в CRM системе (Client ID, UTM)
• Примеры настройки

• Выбор центрального хранилища данных
• Способы объединения данных из разных систем
• Онлайн коннекторы
• Примеры настройки

• Импорт расходов в Google Analytics из других рекламных систем
• Учет офлайн-конверсий в Яндекс.Метрике
• Сквозная аналитика в Яндекс.Метрике
• Сквозная аналитика в Universal Analytics
• Примеры настройки

• О Google BigQuery
• Передача данных в Google BigQuery
• Связывание данных Google Analytics 4 с Google BigQuery
• Примеры

• Сервисы сквозной аналитики
• Примеры реализации

• Зачем нужен Google Data Studio?
• Разбор интерфейса
• Совмещение данных (разные и и коннекторы)
• Построение отчетности

• BI-системы
• О Microsoft Power BI
• Разбор интерфейса
• Коннекторы для Power BI
• Совмещение данных (разные и и коннекторы)
• Построение отчетности

• Модели атрибуции
• Ассоциированные конверсии
• Атрибуция на основе воронки
• Customer Journey Map

• Области действия
• Сегменты и аудитории в Universal Analytics
• Сегменты и аудитории в Яндекс.Метрике
• Сегменты и аудитории в Google Analytics 4
• Сегментация в CRM

• RFM-анализ
• Когортный анализ
• Анализ повторных продаж
• Итоги обучения

Python / OTUS - разработчик. Продвинутый уровень

• Python-разработчикам, которые хотят выйти на middle+/senior-уровень и глубже понимать язык.
• Выпускникам базовых курсов Python, готовым перейти к архитектуре, highload и промышленной разработке.
• Backend- и web-разработчикам, которые используют Django, FastAPI, REST API, SQLAlchemy и базы данных.
• Data Science и ML-инженерам, которым важно лучше понимать Python-экосистему, производительность и model serving.
• Разработчикам на других языках, которые хотят освоить Python на продвинутом уровне и применять его в реальных проектах.

• объектно-ориентированное программирование на продвинутом уровне;
• метаклассы, дескрипторы и динамическое поведение объектов;
• type hints и статическая типизация в Python-проектах;
• байткод, интерпретатор и особенности выполнения кода;
• управление памятью, сборка мусора и ограничения GIL.

• модульное, интеграционное и функциональное тестирование;
• pytest, фикстуры, моки и организация тестовой инфраструктуры;
• SOLID, паттерны проектирования и рефакторинг;
• DDD и проектирование бизнес-логики;
• Clean Architecture и разделение ответственности;
• Event-Driven Architecture и микросервисы.

• Django и работа с ORM;
• проектирование REST API и API-first подход;
• FastAPI для высокопроизводительных веб-сервисов;
• SQLAlchemy и взаимодействие с базами данных;
• транзакции, индексы, репликация и шардирование;
• GraphQL, RPC и интеграция сервисов;
• аутентификация, авторизация и защита веб-приложений.

• обработка и анализ данных с NumPy и Pandas;
• визуализация данных с Matplotlib и Seaborn;
• работа в Jupyter Notebook;
• основы ML Engineering и обучение моделей;
• PyTorch, TensorFlow и Hugging Face;
• LLM, inference и model serving;
• хранение, обработка и подготовка больших данных.

• профилирование и оптимизация Python-кода;
• многопоточность, процессы и межпроцессное взаимодействие;
• асинхронное программирование и asyncio;
• event loop и устройство async/await;
• ускорение критических участков с помощью C, Cython, PyPy и FFI;
• подходы к разработке highload-приложений на Python.

• сравнение Python и Go в backend-разработке;
• основы синтаксиса и стандартной библиотеки Go;
• горутины, каналы и конкурентное выполнение;
• планировщик Go и особенности производительности.

• Понимание внутреннего устройства Python и особенностей выполнения кода.
• Навыки проектирования архитектуры сложных backend-систем.
• Умение писать тестируемый, поддерживаемый и расширяемый код.
• Опыт работы с Django, FastAPI, REST API, SQLAlchemy и базами данных.
• Понимание асинхронного программирования, многопоточности и highload-подходов.
• Навыки оптимизации производительности Python-приложений.
• Знакомство с инструментами Data Science, ML Engineering, LLM и Big Data.
• Понимание микросервисной архитектуры, DDD, Clean Architecture и Event-Driven Architecture.

OTUS - Большие языковые модели. Экспертный уровень / LLM

• Этот курс для тех, кто хочет за минимальный срок на высоком уровне освоить самые продвинутые методы LLM и сразу начать применять их на практике.
• Практикующие DS специалисты, которые хотят получить углубленные знания по трансформерным моделям и научиться работать с LLM на высоком уровне;
• Выпускники курсов Machine Learning. Professional, Machine Learning. Advanced, NLP / Natural Language Processing, которые хотят освоить самые передовые методы работы с LLM;
• ИТ-специалисты, которым на работе приходиться работать с текстовыми данными и внедрять методы работы с трансформерными моделями и LLM.

• Базовая высшая математика: умение работать с матрицами и векторами, базовое знание математической статистики, теории вероятности и мат. анализа;
• Методы классического ML, умение работать с классическими ML моделями;
• Основы Deep Learning, базовое представление о pytorch;
• Программирование на Python для машинного обучения.

• Работать с LLM (большими языковыми моделями) на высоком уровне;
• Самым передовым методам работы с LLM и трансформерными моделями;
• Применять самые продвинутые архитектуры и адаптировать их под широкий круг бизнес-задач;
• Дообучать языковые модели под свои задачи;
• Поднимать модели в телеграм-боте.

• Андрей Носов. AI Architect, Raft. PhD Communication Science, Tampere University (Finland)
• Никита Овчинников. Lead of Research And Development Peech
• Алексей Клочков. Data Science Team Lead Kept
• Анна Козлова
• Раиль Сулейманов. Machine Learning Engineer Garage IT
• Мария Тихонова. Лидер Research кластера Сбер, ВШЭ
• Дмитрий Гайнуллин. Machine Learning Engineer AIC

Devhands - Алексей Белозерский → Clickhouse для аналитиков и инженеров данных

• Изучить Clickhouse - популярную колоночную СУБД для аналитики данных и разработки приложений и прнять, для каких задач эффективно применять Clickhouse.
  
• Обрабатывать миллиарды строк за секунды. Выполнять за доли секунды аналитические запросы, которые в PostgreSQL или Spark занимали минуты.
  
• Познакомиться с внутренней архитектурой одиночных и кластерных инсталляций.
  
• Разобраться со многими особенностями ClickHouse и с типичными ошибками. Грамотно хранить терабайты аналитических данных с минимальными затратами.

• Аналитикам данных
• Инженерам данных
• Архитекторам данных
• Разработчикам

• Какие бывают СУБД. Реляционные и нереляционные, строковые и колоночные, транзакционные и нетразакционные, ACID & BASE
• Особенности Clickhouse. Выбранные при разработке СУБД компромисы.
• CAP теорема и гарантии отказоустойчивости и целостности данных
• Области применения Clickhouse. Как надо и как не надо.
• Строковые и колоночные данные. Отличие Postgres vs Clickhouse
• Архитектура Clickhouse. Шарды и реплики. Zookeeper, Clickhouse keeper.

• Поднимаем Clickhouse на Ubuntu в простейших случаях, single инсталляция. Подключение к СУБД через clickhouse-client, DBeaver.
• Создаем таблицы - от простого к сложному. Типы данные в Clickhouse, кодеки, движки для single инсталляции
• Подключаемся через SQL Driver (JDBC), по HTTP, через Python. Как устроено подключение к Кликхаусу «под капотом».
• Как отконфигурировать систему, базовые текстовые конфиги. Популярные оптимизации. Лучшие практики для различных ситуаций.

• Движок MergeTree, LSN Tree.
• Data Parts. Слияния и мутации данных
• Реальный формат хранения данных на диске под капотом Clickhouse.
• Особенности хранения. Как они влияют на производительность SQL.
• Работа с дисковой подсистемой. Температурная карта хранения на различных типах дисков и работа с S3.
• Вставка данных большими батчами. Лучшие практики.
• Заводим таблицу в Clickhouse - режим эксперта. Какие есть опции и команды

• Исследуем data parts на диске и в служебных таблицах Clickhouse. Изучаем оптимизации и слияния данных. Как понять по data parts, что данные успешно принято СУБД.
• Data Parts в файловой системе - как хранятся данные на диске. Какое влияние оказывается на ФС и систему в различных ситуациях и режимах эксплуатации.
• CREATE TABLE - режим эксперта. Продвинутые кодеки и оптимизация хранения. TTL, температурная карта и т.д.

• Как подключиться к Clickhouse: HTTP, JDBC. Балансировка подключений. Дополнительнеы инструменты для управления подключениями в современных архитектурах приложений.
• Шардирование данных. Локальность. Как приложение узнает, куда ему полючиться в сложной конфигурации кластеров Clickhouse.
• Примеры применения в архитектуре приложений. Кейс встроенной аналитики.
• Работа с большими потоками данных, масштабирование потока. Кейс данных SIEM.
• Кейс сборщика метрик, StatsHouse.
• Back to CAP Theorem. Консистентность данных в Clickhouse. BASE и его особенности. Что нужно понимать разработчку об особенностях СУБД и его поведении в различных ситуациях.
• Мониторинг здоровья Clikhouse. За чем нужно следить в кластере.

• Балансировка подключений к Clickhouse. Какие настройки и требования к балансировщикам нужно соблюдать, чтобы не совершать ошибок новичка.
• Делаем дашборды здоровья Clickhouse для Single, Cluster архтектур. Алертим о неполадках в кластере.
• Элементы OLTP сценарием - когда все-таки можно?

• Пайплайны в кластере Clickhouse. Еще раз о гаратиях BASE.
• Движки X-MergeTree - что нужно знать.
• Особенности представлений и их материализации в Clickhouse. MV into Table - когда используем.
• Работа с партициями
• Мутации данных. ALTER TABLE Clickhouse-way
• Следим за мутациями
• Clickhouse + Airflow. Clickhouse + DBT. Tips & Tricks.
• Оптимизации - кодеки данных. TTL и тепловая карта, вычислимые поля.
• Встроенные коннекторы: JDBC, S3, Kafka, Iceberg

• Используем Airflow + DBT для разработки пайплайнов на базе clickhouse.
• Когда ETL в Clickhouse - плохая идея. Архитектурыне пределы системы, примеры неудачных решений и варианты борьбы с ними («скорая помощь») и обходных путей.
• Кликхаус-специфичные практики для инженеров данных.
• Об оптимизации запросов - практические примеры для обработки больших данных.
• Тюнинг СУБД для работы с большими данными. Уровень кластера, сессии, запроса.

• Особенности Clickhouse SQL
• Функции и дополнительные аналитические non-ANSI-SQL операторы к Clickhouse. Что полезно знать.
• Траблшутинг и планирование запросов. Что делать если запрос медленные или упал.
• Кластерный и одиночный Clickhouse с точки зрения написания SQL
• Tips & tricks. Что делать, если SQL запрос падает с ошибкой.

• Используем дополнительные функции clickhouse SQL для аналитики.
• Аналитические кейсы: считаем ретеншн, АБ-тесты

• Clickhouse + Lakehouse, Iceberg REST.
• Фичи Сlickhouse 26.x и другие нововведения

Комбо из 14 постов по каузальному анализу / Артем Груздев - 14 jupyter-тетрадок

1. Пикинг и ранняя остановка при последовательном тестировании
2. Групповое последовательное тестирование
3. CUPED - метод увеличения статистической мощности A/B-тестов
4. Выбросы (outliers), разбалансировка (leverage) и влиятельные наблюдения (influential observations)
5. Квантильная регрессия в каузальном анализе
6. Полное руководство по сравнению распределений
7. Байесовский бутстреп
8. Онлайн-регрессия
9. Метамодели
10. Теорема Фриша-Во-Ловелла
11. Двойное несмещ. ML (часть 2)
12. Двойное несмещ. ML (часть 1)
13. Анализ смещения из-за опущенной переменной
14. Синт. контроль

Vizuara AI Labs - Dr. Rajat Dandekar → Master LLM Inference (Phase 1: Foundations & Optimization)

• Понимать архитектуру современных систем инференса LLM и ключевые этапы обработки запроса.
• Оптимизировать производительность больших языковых моделей по задержке, пропускной способности и использованию GPU.
• Работать с памятью GPU, KV cache, механизмами внимания и ограничениями аппаратных платформ.
• Применять квантизацию моделей для ускорения инференса и снижения потребления ресурсов.
• Использовать популярные фреймворки и инструменты: vLLM, SGLang, FlashAttention, TensorRT-LLM, Ray Serve и Megatron-LM.
• Развертывать LLM на локальном компьютере, сервере, Raspberry Pi 4, Android-устройстве и NVIDIA Jetson Orin Nano.
• Проектировать production-ready AI-сервисы с масштабируемой архитектурой.
• Готовиться к техническим собеседованиям, где проверяют понимание системного дизайна LLM-инференса.

• Основы инференса LLM и жизненный цикл запроса.
• Prefill, decode, batching и continuous batching.
• KV cache и оптимизация использования памяти.
• Механизмы внимания и FlashAttention.
• Квантизация моделей и компромиссы между скоростью, качеством и потреблением памяти.
• Профилирование производительности и поиск bottleneck-компонентов.
• Практическая работа с vLLM, SGLang, TensorRT-LLM и другими инструментами.

• Промышленное развертывание LLM-сервисов.
• Распределенные вычисления и масштабирование инференса.
• Ray Serve и подходы к обслуживанию большого числа запросов.
• Edge-инференс на компактных устройствах.
• Запуск моделей на Raspberry Pi 4, Android и NVIDIA Jetson Orin Nano.
• Сравнение аппаратных платформ и анализ производительности.
• Построение надежных production-ready AI-приложений.

• Локальный компьютер для базового запуска и тестирования моделей.
• Google Colab для лабораторных работ и экспериментов.
• Raspberry Pi 4 для изучения ограничений edge-инференса.
• Android-устройство для запуска LLM на мобильной платформе.
• NVIDIA Jetson Orin Nano для практики с компактным GPU-ускорителем.

• Загрузка и подготовка модели.
• Настройка сервера инференса.
• Оптимизация latency и throughput.
• Анализ производительности каждого компонента.
• Подготовка сервиса к production-сценариям.

• Интеграция LLM с чат-интерфейсом.
• Разработка логики AI-ассистента.
• Использование диалогов для улучшения качества ответов.
• Применение подходов reinforcement learning в прикладном сценарии.

• vLLM — высокопроизводительный inference engine для обслуживания LLM.
• SGLang — фреймворк для эффективного выполнения LLM-приложений.
• FlashAttention — оптимизированные механизмы внимания для ускорения работы трансформеров.
• TensorRT-LLM — инструменты NVIDIA для оптимизации инференса больших моделей.
• Ray Serve — решение для масштабируемого serving-а AI-моделей.
• Megatron-LM — фреймворк для работы с крупными языковыми моделями и распределенными вычислениями.
• Google Colab — среда для лабораторных работ и экспериментов.

• ML-инженерам, которые хотят глубже разобраться в оптимизации и развертывании LLM.
• Backend- и infrastructure-инженерам, работающим с AI-сервисами и высоконагруженными системами.
• Data scientists, которые хотят перейти от экспериментов с моделями к production-разработке.
• AI-разработчикам, создающим чат-ботов, ассистентов и LLM-приложения.
• Техническим специалистам, готовящимся к собеседованиям в AI-компании.
• Основателям и техническим лидерам, которым нужно понимать стоимость, ограничения и архитектуру LLM-инференса.

• Понимание внутренних механизмов работы LLM во время инференса.
• Навык оптимизации моделей под разные аппаратные платформы.
• Опыт работы с industry-standard инструментами для LLM serving.
• Умение проводить профилирование и принимать инженерные решения на основе метрик.
• Два практических проекта для портфолио.
• Более уверенная подготовка к техническим интервью по LLM-инфраструктуре.

balun.courses / Владимир Балун - Подготовка к алгоритмическим собеседованиям

Vizuara AI Labs - Dr. Sreedath Panat → Малые языковые модели (SLM): полный процесс создания и внедре

• Разработчиков, переходящих в сферу LLM Engineering, NLP и Enterprise AI.
• Инженеров, создающих чат-ботов, интеллектуальный поиск и системы анализа документов.
• Специалистов, которые хотят научиться самостоятельно обучать языковые модели, а не только использовать готовые API.
• Исследователей, которым необходимы практические навыки промышленной разработки AI.

• сбор и подготовка данных;
• обучение токенизатора;
• создание эмбеддингов;
• обучение Transformer-модели;
• предварительное обучение;
• Fine-Tuning и RLHF;
• реализация RAG;
• оптимизация инференса;
• развертывание модели в корпоративной инфраструктуре.

Karpov.courses - Евгений Ермаков, Валерий Соколов, Роман Бунин → Инженер данных (Обновление 2026)

• Аналитик данных
  Вы уже постоянно взаимодействуете с базами данных, но хотите лучше разобраться в ETL-процессах и выйти на качественно новый уровень в аналитике

• Инженер данных
  Работаете с хранилищами данных, но хотите систематизировать знания и глубже погрузиться в актуальные технологии

• BI-разработчик
  Занимаетесь развитием систем бизнес-аналитики, хотите освоить архитектуру современных хранилищ данных и научиться их проектировать

• Backend-разработчик
  Имеете опыт бэкенд-разработки и хотите применить его для решения задач, связанных с хранением и обработкой больших данных

• Hadoop
• S3
• Greenplum
• PostgreSQL

• Python
• SQL
• Hive
• Spark
• Kafka

• ML Flow
• Spark ML

• SuperSet
• Tableau
• DataLens

• Airflow