Interaktive Dashboards

Dashboards sind gut, interaktive Dashboards sind noch besser. Hier findest du ein Dashboard, mit dem die Aktivitäten auf einer Website dargestellt werden. Es besteht aus (A) der durchschnittlichen Länge der Seitenbesuche, aufgeschlüsselt nach Alter, (B) der Anzahl der heutigen Besuche, (C) den monatlich aktiven Nutzern im Zeitverlauf und (D) der Quelle des Datenverkehrs, aufgeschlüsselt nach Monaten.

Wenn du mit dem Mauszeiger über bestimmte Elemente der Balken- und Liniendiagramme fährst oder sie antippst, siehst du interaktive Funktionen, die weitere Details zu den ausgewählten Daten anzeigen. Du kannst jeden Plot jederzeit in seinen ursprünglichen Zustand zurücksetzen, indem du auf ihn doppelklickst.

Wie viel Website-Verkehr kam im März von Suchmaschinen? Nutze die interaktive Funktionen.

Diese Übung ist Teil des Kurses

Datenwissenschaft verstehen

Interaktive Übung

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

Diese Übung ist Teil des Kurses

Datenwissenschaft verstehen

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

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: Datenwissenschaft ist überall!Exercise 3: Die Relevanz der Datenwissenschaft Exercise 4: Anwendungen der Datenwissenschaft Exercise 5: Die tägliche Dosis Datenwissenschaft Exercise 6: Die Wissenschaft der intelligenten Assistenten 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: 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: Welche Art von Datenbank?Exercise 12: Daten-Pipelines Exercise 13: Eigenschaften von Daten-Pipelines 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

Aktuelle Übung

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!