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.

Was ist Data Science?

Datenwissenschaft überall!

Die Bedeutung der Datenwissenschaft

Anwendungen der Data Science

Die tägliche Dosis Datenwissenschaft

Die Wissenschaft der intelligenten Assistenten

Rollen und Werkzeuge der Data Science

Die Auswahl des richtigen Kandidaten

Die Rolle eines Datenwissenschaftlers

Einführung in Data Science

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.

Datenquellen

Datenquellen sortieren

Asthmahäufigkeiten

Datentypen

Datentypen klassifizieren

Net Promoter Score

Aktivitätstracker

Datenspeicherung und -abruf

Cloud-Plattformen

Eine Datenbank abfragen

Welche Art von Datenbank?

Daten-Pipelines

Eigenschaften der Daten-Pipeline

Extrahieren Transformieren Laden

Daten sammeln und speichern

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.

Datenaufbereitung

Die Wahrheit ist da draußen

Bist du vorbereitet?

Explorative Datenanalyse

Numerische EDA

Visuelle EDA

Visualisierung

Interaktive Dashboards

Ein Dashboard verbessern

Daten aufbereiten, erkunden und visualisieren

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.

A/B-Tests

Ordne die Aufgaben

Erstellen eines A/B-Test-Workflows

Statistische Signifikanz

Zwischenergebnisse

Zeitreihenprognose

Daten

Zeitreihendaten

Keine Zeitreihendaten

Zeitreihendaten klassifizieren

Ein Zeitreihendiagramm interpretieren

Überwachtes maschinelles Lernen

Probleme

A/B-Test

Dashboard

Wann überwachte Lernverfahren eingesetzt werden sollten

Merkmale und Labels

Modellbewertung

Clustering

Überwacht

Unüberwacht

Überwacht oder unüberwacht

Auswahl der Clustergröße

Glückwunsch!

Experimentieren und vorhersagen

Was ist Data Science, warum ist sie so populär und warum hat die Harvard Business Review sie als den „sexiesten Job des 21. Jahrhunderts“ bezeichnet? In diesem nicht-technischen Kurs lernst du alles, was du bisher noch nicht über dieses schnell wachsende und spannende Gebiet gewusst hast, ohne eine einzige Zeile Code schreiben zu müssen. In praktischen Übungen lernst du die verschiedenen Rollen von Data Scientists, grundlegende Themen wie A/B-Tests, Zeitreihenanalyse und maschinelles Lernen kennen und erfährst, wie Data Scientists Wissen und Erkenntnisse aus realen Daten gewinnen. Lass dich also nicht von den Modewörtern abschrecken. Lerne, erweitere deine Fähigkeiten in diesem gefragten Bereich und entdecke, warum Data Science für jeden etwas zu bieten hat!

Entdecken Sie Data Science, seine Beliebtheit und lernen Sie es mit praktischen Übungen. Kein Code nötig.

Data Science verstehen

"Eine Einführung in Data Science ohne Programmierung."

Daten verstehen Themen

Statistische Signifikanz

Data Science verstehen

Interaktive Übung zum Anfassen