Die Wissenschaft der intelligenten Assistenten

Ist dir schon aufgefallen, dass Alexa, Siri oder Google Assistant umso schlauer wirken, je mehr du sie nutzt? Das sind nicht nur sprachgesteuerte Gadgets – sie lernen aus deinen Gewohnheiten und nutzen Data Science, um ihre Antworten mit der Zeit zu verbessern.

Vom Erstellen von Erinnerungen bis zum Steuern smarter Geräte – sie werden ständig besser darin, vorauszuahnen, was du brauchst.

Nutze das interaktive Panel, um vier Möglichkeiten zu vergleichen, wie ein System sich verbessern könnte, und beantworte dann die Frage unten.

Welche Data-Science-Technik hilft virtuellen Assistenten, mit jeder Interaktion schlauer zu werden?

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+

7378 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 Data Science?Exercise 2: Datenwissenschaft ist überall!Exercise 3: Die Relevanz der Datenwissenschaft Exercise 4: Anwendungen der Data Science Exercise 5: Tägliche Dosis Data Science Exercise 6: Die Wissenschaft der intelligenten Assistenten

Aktuelle Übung

Exercise 7: Rollen und Werkzeuge in der Data Science Exercise 8: Auswahl des richtigen Bewerbers 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: Häufigkeiten von Asthma 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: Welcher Datenbanktyp?Exercise 12: Datenpipelines Exercise 13: Eigenschaften von Datenpipelines Exercise 14: Extrahieren Transformieren Laden

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: 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: Einen A/B‑Test-Workflow erstellen 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 überwachtes Lernen eingesetzt werden sollte Exercise 10: Features (Merkmale) und Labels Exercise 11: Modellbewertung Exercise 12: Clustering Exercise 13: Überwacht vs. unüberwacht Exercise 14: Auswahl der Clustergröße Exercise 15: Glückwunsch!