We'll start the course by defining what data science is. We'll cover the data science workflow and how data science is applied to real-world problems. We'll finish the chapter by learning about different roles within the data science field.

What is data science?

Data science everywhere!

Importance of data science

Applications of data science

Daily dose of data science

The science of smart assistants

Data science roles and tools

Selecting the right candidate

A data scientist role

Introduction to Data Science

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection and storage. We'll learn about the different data sources you can draw from, what that data looks like, how to store the data once it's collected, and how a data pipeline can automate the process.

Data sources

Sorting data sources

Asthma frequencies

Data types

Classifying data types

Net promoter score

Activity tracker

Data storage and retrieval

Cloud platforms

Querying a database

Which type of database?

Data Pipelines

Data pipeline characteristics

Extract Transform Load

Data Collection and Storage

Data preparation is fundamental: data scientists spend 80% of their time cleaning and manipulating data, and only 20% of their time actually analyzing it. This chapter will show you how to diagnose problems in your data, deal with missing values and outliers. You will then learn about visualization, another essential tool to both explore your data and convey your findings.

Datenaufbereitung

Die Wahrheit ist irgendwo da draußen

Aufgaben

Falsch

Richtig

Bist du vorbereitet?

Explorative Datenanalyse

Numerische EDA

Visual EDA

Visualisierung

Interactive dashboards

Improving a dashboard

Preparation, Exploration, and Visualization

In this final chapter, we'll discuss experimentation and prediction! Beginning with experiments, we'll cover A/B testing, and move on to time series forecasting where we'll learn about predicting future events. Finally, we'll end with machine learning, looking at supervised learning, and clustering.

A/B Testing

Creating an A/B testing workflow

Statistical significance

Intermediate results

Time series forecasting

Classifying time series data

Interpret a time series plot

Supervised machine learning

When to use supervised learning

Features and labels

Model Evaluation

Clustering

Supervised vs. unsupervised

Cluster size selection

Congratulations!

Experimentation and Prediction

Course Glossary

Was ist die Datenwissenschaft, warum ist sie so populär und warum hat die Harvard Business Review sie als den „attraktivsten 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 die Datenwissenschaft für jeden etwas zu bieten hat!

Die Live-Transkripte der Videos kannst du durch einen Klick auf „Transkript anzeigen“ unten links in den Videos aufrufen.

Das Glossar zum Kurs, Werbematerial und detaillierte Lernziele findest du rechts im Bereich „Ressourcen“.

Um CPE-Credits zu erhalten, musst du den Kurs abschließen und im bewerteten Test mindestens 70 % erreichen. Du gelangst zum Test, indem du rechts auf den Hinweis zu den CPE-Credits klickst.

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

Datenwissenschaft verstehen

Dieser Einführungskurs vermittelt dir die Grundlagen von Data Science – keine Programmierkenntnisse erforderlich.

Datenthemen verstehen

Die Wahrheit ist irgendwo da draußen

Interaktive praktische Übung