Kita akan memulai kursus dengan mendefinisikan apa itu ilmu data. Kita akan membahas alur kerja ilmu data dan bagaimana ilmu data diterapkan pada masalah dunia nyata. Kita akan menutup bab ini dengan mempelajari berbagai peran dalam bidang ilmu data.

Apa ilmu data itu?

Ilmu data di mana-mana!

Pentingnya ilmu data

Penerapan ilmu data

Dosis harian ilmu data

Ilmu di balik asisten pintar

Peran dan alat dalam ilmu data

Memilih kandidat yang tepat

Peran ilmuwan data

Pengantar Ilmu Data

Setelah memahami alur kerja ilmu data, kita akan menyelami lebih dalam langkah pertama: pengumpulan dan penyimpanan data. Kita akan mempelajari beragam sumber data yang dapat Anda gunakan, seperti apa bentuk data tersebut, bagaimana menyimpan data setelah dikumpulkan, dan bagaimana saluran data dapat mengotomatisasi prosesnya.

Sumber data

Mengelompokkan sumber data

Frekuensi asma

Tipe data

Mengklasifikasikan tipe data

Net promoter score

Pelacak aktivitas

Penyimpanan dan pengambilan data

Platform cloud

Melakukan kueri pada basis data

Tipe basis data yang mana?

Saluran Data

Karakteristik saluran data

Extract Transform Load

Pengumpulan dan Penyimpanan Data

Persiapan data adalah hal mendasar: ilmuwan data menghabiskan 80% waktunya untuk membersihkan dan memanipulasi data, dan hanya 20% waktunya untuk benar-benar menganalisis. Bab ini akan menunjukkan cara mendiagnosis masalah pada data Anda, menangani nilai hilang dan pencilan. Anda kemudian akan mempelajari visualisasi, alat penting lainnya untuk mengeksplorasi data dan menyampaikan temuan Anda.

Persiapan data

Kebenaran itu ada di luar sana

Tugas

Salah

Benar

Apakah Anda sudah siap?

Analisis Data Eksploratif

EDA numerik

EDA Visual

Visualisasi

Dasbor interaktif

Meningkatkan sebuah dasbor

Persiapan, Eksplorasi, dan Visualisasi

Pada bab terakhir ini, kita akan membahas eksperimen dan prediksi! Dimulai dengan eksperimen, kita akan mengulas pengujian A/B, lalu berlanjut ke peramalan deret waktu untuk mempelajari cara memprediksi kejadian di masa depan. Terakhir, kita akan menutup dengan Pembelajaran Mesin, mencakup pembelajaran dengan pengawasan dan pengelompokan data tidak berlabel.

Pengujian A/B Testing

Membuat alur kerja pengujian A/B

Signifikansi statistik

Hasil sementara

Peramalan deret waktu

Mengklasifikasikan data deret waktu

Menginterpretasikan plot deret waktu

Pembelajaran mesin yang diawasi

Kapan menggunakan pembelajaran dengan pengawasan

Fitur dan label

Evaluasi Model

Pengelompokan data yang tidak berlabel

Dengan Pengawasan vs. Tanpa Pengawasan

Pemilihan ukuran klaster

Selamat!

Eksperimen dan Prediksi

Course Glossary

Apa itu ilmu data, mengapa begitu populer, dan mengapa Harvard Business Review menyebutnya sebagai “pekerjaan terseksi abad ke-21”? Dalam kursus non-teknis ini, Anda akan diperkenalkan pada semua hal yang mungkin selama ini enggan Anda tanyakan tentang bidang yang berkembang pesat dan menarik ini, tanpa perlu menulis satu baris kode pun. Melalui latihan interaktif, Anda akan mempelajari berbagai peran ilmuwan data, topik dasar seperti pengujian A/B, analisis deret waktu, dan Pembelajaran Mesin, serta bagaimana ilmuwan data mengekstraksi pengetahuan dan wawasan dari data dunia nyata. Jadi, jangan khawatir dengan berbagai istilah populer. Mulailah belajar, kembangkan keterampilan di bidang yang sangat diminati ini, dan temukan mengapa ilmu data cocok untuk semua orang!

Video dilengkapi transkrip langsung yang dapat diakses dengan mengeklik "Show transcript" di kiri bawah video.

Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.

Untuk memperoleh kredit CPE, Anda perlu menyelesaikan kursus dan mencapai skor 70% pada asesmen yang memenuhi syarat. Anda dapat menuju asesmen dengan mengeklik callout kredit CPE di sebelah kanan.

Pelajari data science, alasan kepopulerannya, dan cara melakukannya dengan latihan praktis tanpa kode.

Memahami Ilmu Data

Understanding Data Topics

Data sering kali sudah siap untuk dianalisis.

Data yang rapi berarti menempatkan fitur sebagai baris dan observasi sebagai kolom.

Data yang belum dipersiapkan dapat menimbulkan error, bias pada algoritma, dan hasil yang keliru.

Menghapus duplikasi, memverifikasi tipe data, menangani nilai hilang, memastikan nilai menggunakan sistem satuan pengukuran yang sama merupakan bagian dari persiapan data.

Nilai hilang memang rumit, tetapi ada beberapa cara untuk menanganinya.

Apakah Anda sudah siap?

Memahami Ilmu Data

Latihan interaktif praktis