- Порівняння Google Sheets та Excel: Основні відмінності та унікальні можливості кожного інструменту.
- Створення та форматування таблиць: Налаштування відображення різних типів даних.
- Сортування та фільтрація даних: Використання Views для гнучкого управління даними.
- Агрегація та умовне форматування: Використання функцій IF, SUMIF, Pivot Table для ефективного аналізу.
- Просунуті функції: VLOOKUP, робота з курсами валют, об'єднання даних, обробка тексту.
- Інтерактивні звіти: Побудова дашбордів для візуалізації ключових показників.

- Вступ до теорії ймовірностей: Основні поняття та ключові принципи.
- Ймовірність і її властивості: Розуміння ймовірнісних моделей.
- Комбінаторика: Методи підрахунку можливих варіантів подій.
- Умовна ймовірність і незалежні події: Як події впливають одна на одну.
- Теорема Байєса: Як оновлювати ймовірності з урахуванням нових даних.

- Вступ до статистичного аналізу: Ключові поняття та основи роботи зі статистикою.
- Міри центральної тенденції: Середнє, медіана, мода та їх роль в аналізі даних.
- Варіація та стандартне відхилення: Як виміряти розкид даних.
- Коваріація та кореляція: Взаємозв'язки між змінними.
- Основні розподіли: Види розподілів та їх застосування в аналізі.

- Початок роботи з Power BI: Установка, налаштування та створення першого звіту.- Джерела даних та Power Query: Підключення, трансформація та обробка даних.- Візуалізації у Power BI: Типи графіків, фільтри та інтерактивні елементи.- Збереження та публікація звітів.

Самостійна робота над проєктом з даними на вибір. Надаються джерела даних та рекомендації і вимоги до виконання проєкту, та звісно ж - підтримка в чаті.

- Основи Python: Змінні та основні типи даних.- Колекції та Control Flow: Списки, словники та керування потоком виконання.- Цикли та List Comprehensions: Ефективна обробка даних у Python.- Функції у Python: Створення, анотація типів і застосування функцій.- Параметри функцій: Особливості передавання значень і приклади використання.- Глобальна та локальна область видимості: Модулі та обробка винятків.- Класи у Python: Основи об'єктно-орієнтованого програмування.- Принципи чистого коду в Python: Як писати зрозумілий та якісний код для аналітичних завдань.

- Структури даних у Pandas та NumPy: Серії, DataFrame, багатовимірні масиви.- Імпорт і читання даних: CSV, Excel, бази даних, інтеграція з Google Colab.- Очищення та підготовка даних: Заповнення пропусків, обробка аномалій.- Фільтрація та сортування: Методи вибірки даних.- Агрегація та групування даних: GroupBy, Pivot, PivotTable.- Функції та трансформації: Використання apply(), map() для маніпуляцій.- Оптимізація роботи з табличними даними в Pandas: Підходи для підвищення ефективності та продуктивності під час обробки великих обсягів даних. 

- Основи візуалізації даних: Роль графічного представлення даних в аналізі, огляд Matplotlib.- Базові графіки в Matplotlib: Побудова та налаштування графіків (лінії, кольори, маркери).- Аналіз декількох графіків: Побудова кількох візуалізацій на одній фігурі, підписи, легенди, збереження.- Типи графіків: Діаграми розсіювання, гістограми, barplots, box plots.- Seaborn для аналітики: Основи, переваги та побудова складних графіків.- Порівняння Matplotlib та Seaborn: Сценарії використання.- Візуалізація часових рядів (time series).

- BigQuery: Що це та огляд можливостей інструменту.- Колонкові бази даних. BigQuery та інші.- BigQuery Sandbox та публічні дані. Робота з запитами.- Таблиця ga_sessions_ у BigQuery. Розбір структури та аналіз даних.

- EXPLAIN: Як аналізувати SQL-запити та зрозуміти, що уповільнює їх виконання.- Індекси: Що таке індекси, як вони працюють та як допомагають пришвидшити запити.- Оптимізація JOIN: Як правильно використовувати JOIN-запити для ефективного об'єднання таблиць.- Інші методи оптимізації: Додаткові техніки для підвищення продуктивності SQL-запитів

- Роль і використання ML в аналітиці даних: Як машинне навчання допомагає аналітикам вирішувати бізнес-завдання.- Задача прогнозування: Передбачення числових значень (наприклад, прогноз доходів або попиту).- Задача класифікації: Розподіл даних на категорії (наприклад, виявлення шахрайських транзакцій).- Задача кластеризації: Групування схожих даних без попередньо визначених категорій (наприклад, сегментація клієнтів).

- Sweetviz: Автоматична візуалізація даних для швидкого аналізу та порівняння наборів даних.- ChatGPT для аналізу даних: Автоматизація рутинних завдань, генерація SQL-запитів та допомога у виявленні інсайтів.- Google Gemini та інші ШІ-асистенти: Альтернативні інструменти для підтримки аналітичних задач.- Бібліотеки з АІ для аналітики: Використання додаткових Python-бібліотек (зокрема, PandasAI) для інтелектуального аналізу.

Самостійний аналітичний проєкт з використанням SQL, Python, BigQuery, Excel/Google Sheets та BI-інструмента за вибором. Проєкт охоплює збір, обробку, аналіз та візуалізацію даних та допомагає продемонструвати практичні навички та готовність до реальних бізнес-завдань учня.

- Готовність №1 до співбесід: Як відповідати на технічні та нетехнічні запитання.- Тестові співбесіди: Практика в парах для опрацювання типових запитань.- Подолання внутрішніх блокерів: Робота зі страхами та невпевненістю перед подачею на вакансії.- Чекліст “250+ питань до технічної співбесіди” з відповідями.- Чекліст “HR-питання” з прикладами хороших і поганих відповідей.- Гайд "Платформи для пошуку фриланс-проєктів і фултайм роботи в Україні і країнах Європи".

Досвід — це річ, яка набувається та постійно вдосконалюється. Якщо ти зараз не бачиш варіантів розвитку, тобі 100% треба до мене на зустріч. Одна розмова і в тебе є план та впевненість, куди тобі далі рухатися.

В IT світі багато різноманітних можливостей. В 35+ ти вже маєш безцінних професійний та життєвий досвід, який буде релевантним і підсилить тебе при переході в ІТ. Ми можемо обговорити з тобою твої сильні сторони, інтереси та дібрати той напрям, в якому ти зможеш швидко і з натхненням зростати в ІТ.