Extrahieren Transformieren Laden

Technologieunternehmen verfügen über komplexe, groß angelegte Daten-Pipelines, um die riesigen Datenmengen von Millionen von Nutzern zu verarbeiten, egal ob es sich um eingehende Social-Media-Posts, Zuschauerdaten von TV-Episoden oder die letzten Online-Einkäufe handelt.

Stell dir die Daten-Pipeline eines Musikstreamingdienstes vor. In dieser Übung sind mehrere Pipeline-Aufgaben aufgeführt. Ordne diese Aufgaben in die ETL-Schritte ein.

Diese Übung ist Teil des Kurses

Data Science verstehen

Kurs anzeigen

Interaktive Übung

Setze die Theorie in einer unserer interaktiven Übungen in die Praxis um

Übung starten

Diese Übung ist Teil des Kurses

Data Science verstehen

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

2472 reviews

Kurs kostenlos starten

Zu Beginn des Kurses werden wir definieren, was Data Science ist. Wir werden uns mit dem Arbeitsablauf in der Data Science befassen und damit, wie Data Science auf reale Probleme angewendet wird. Zum Abschluss des Kapitels lernen wir die verschiedenen Rollen im Bereich der Data Science kennen.

Exercise 1: Was ist Data Science?Exercise 2: Datenwissenschaft überall!Exercise 3: Die Bedeutung der Datenwissenschaft Exercise 4: Anwendungen der Data Science Exercise 5: Die tägliche Dosis Datenwissenschaft Exercise 6: Die Wissenschaft der intelligenten Assistenten Exercise 7: Rollen und Werkzeuge der Data Science Exercise 8: Die Auswahl des richtigen Kandidaten Exercise 9: Die Rolle eines Datenwissenschaftlers

Nachdem wir nun den Arbeitsablauf der Data Science kennen, tauchen wir tiefer in den ersten Schritt ein: das Sammeln und Speichern von Daten. Wir lernen die verschiedenen Datenquellen kennen, aus denen du schöpfen kannst, wie diese Daten aussehen, wie du die Daten nach der Erhebung speichern kannst und wie eine Daten-Pipeline den Prozess automatisieren kann.

Exercise 1: Datenquellen Exercise 2: Datenquellen sortieren Exercise 3: Asthmahäufigkeiten Exercise 4: Datentypen Exercise 5: Datentypen klassifizieren Exercise 6: Net Promoter Score Exercise 7: Aktivitätstracker Exercise 8: Datenspeicherung und -abruf Exercise 9: Cloud-Plattformen Exercise 10: Eine Datenbank abfragen Exercise 11: Welche Art von Datenbank?Exercise 12: Daten-Pipelines Exercise 13: Eigenschaften der Daten-Pipeline Exercise 14: Extrahieren Transformieren Laden

Aktuelle Übung

Die Datenaufbereitung ist von grundlegender Bedeutung: Data Scientists verbringen 80 % ihrer Zeit mit dem Bereinigen und Manipulieren von Daten und nur 20 % der Zeit mit der eigentlichen Datenanalyse. In diesem Kapitel erfährst du, wie du Probleme in deinen Daten diagnostizieren und mit fehlenden Werten und Ausreißern umgehen kannst. Anschließend lernst du die Visualisierung kennen, ein weiteres wichtiges Werkzeug, um deine Daten zu erkunden und deine Ergebnisse zu vermitteln.

Exercise 1: Datenaufbereitung Exercise 2: Die Wahrheit ist da draußen Exercise 3: Bist du vorbereitet?Exercise 4: Explorative Datenanalyse Exercise 5: Numerische EDA Exercise 6: Visuelle EDA Exercise 7: Visualisierung Exercise 8: Interaktive Dashboards Exercise 9: Ein Dashboard verbessern

In diesem letzten Kapitel geht es um Experimente und Vorhersagen! Wir beginnen mit Experimenten, behandeln A/B-Tests und gehen dann zur Zeitreihenprognose über, wo wir lernen, wie man zukünftige Ereignisse vorhersagt. Zum Schluss befassen wir uns mit dem maschinellen Lernen, dem überwachten Lernen und dem Clustering.

Exercise 1: A/B-Tests Exercise 2: Erstellen eines A/B-Test-Workflows Exercise 3: Statistische Signifikanz Exercise 4: Zwischenergebnisse Exercise 5: Zeitreihenprognose Exercise 6: Zeitreihendaten klassifizieren Exercise 7: Ein Zeitreihendiagramm interpretieren Exercise 8: Überwachtes maschinelles Lernen Exercise 9: Wann überwachte Lernverfahren eingesetzt werden sollten Exercise 10: Merkmale und Labels Exercise 11: Modellbewertung Exercise 12: Clustering Exercise 13: Überwacht oder unüberwacht Exercise 14: Auswahl der Clustergröße Exercise 15: Glückwunsch!