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 Social-Media-Posts, Zuschauerdaten von TV-Episoden oder kürzlich getätigte Online-Einkäufe handelt.

Stell dir die Daten-Pipeline eines Musikstreamingdienstes vor. In dieser Übung sind mehrere Pipeline-Aufgaben aufgeführt. Ordne diese Aufgaben den Schritten des ETL-Prozesses zu.

Diese Übung ist Teil des Kurses

<Kurs>Datenwissenschaft verstehen</Kurs>

Kurs ansehen

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Übung starten

Diese Übung ist Teil des Kurses

<Kurs>Datenwissenschaft verstehen</Kurs>

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

7029 reviews

Kurs kostenlos starten

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

Exercise 1: Was ist Datenwissenschaft?Exercise 2: Data science everywhere!Exercise 3: Die Relevanz der Datenwissenschaft Exercise 4: Anwendungen der Datenwissenschaft Exercise 5: Die tägliche Dosis Datenwissenschaft Exercise 6: The science of smart assistants Exercise 7: Rollen und Werkzeuge der Datenwissenschaft Exercise 8: Die richtige Wahl aus den Bewerbenden Exercise 9: Die Rolle eines Data Scientists

Nachdem wir nun den Arbeitsablauf der Datenwissenschaft 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: Asthma frequencies 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: Querying a database Exercise 11: Welche Art von Datenbank?Exercise 12: Daten-Pipelines Exercise 13: Eigenschaften von Daten-Pipelines 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 irgendwo da draußen Exercise 3: Bist du vorbereitet?Exercise 4: Explorative Datenanalyse Exercise 5: Numerische EDA Exercise 6: Visual EDA Exercise 7: Visualisierung Exercise 8: Interactive dashboards Exercise 9: Improving a dashboard

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: Intermediate results Exercise 5: Zeitreihenprognose Exercise 6: Zeitreihendaten klassifizieren Exercise 7: Interpret a time series plot Exercise 8: Überwachtes maschinelles Lernen Exercise 9: Wann überwachte Lernverfahren eingesetzt werden sollten Exercise 10: Features and labels Exercise 11: Modellbewertung Exercise 12: Clustering Exercise 13: Überwacht oder unüberwacht Exercise 14: Cluster size selection Exercise 15: Glückwunsch!