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.

Data preparation

The truth is out there

Are you prepared?

Exploratory Data Analysis

Numerical EDA

Visual EDA

Visualization

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.

Test A/B

Ordina le attività

Creare un flusso di lavoro per i test A/B

Significatività statistica

Intermediate results

Previsione di serie temporali

Dati

Dati di serie temporali

Dati non temporali

Classificazione dei dati di serie temporali

Interpret a time series plot

Machine Learning supervisionato

Problemi

Dashboard

Quando utilizzare l'apprendimento supervisionato

Features and labels

Valutazione del modello

Clustering

Supervisionato

Non supervisionato

Supervisionato vs. Non supervisionato

Cluster size selection

Congratulazioni!

Experimentation and Prediction

Course Glossary

Cos'è la data science o scienza dei dati, perché è così popolare e perché l'Harvard Business Review l'ha definita "il lavoro più sexy del XXI secolo"? In questo corso non tecnico, ti verrà spiegato tutto ciò che hai sempre avuto paura di chiedere su questo campo entusiasmante e in rapida crescita, senza dover scrivere una sola riga di codice. Attraverso esercizi pratici, imparerai a conoscere i diversi ruoli dei data scientist, argomenti fondamentali come test A/B, analisi delle serie temporali e machine learning, e come i data scientist estraggono conoscenze ed informazioni da dati reali. Non farti intimidire dai termini tecnici. Inizia a imparare, acquisisci competenze in questo campo in forte crescita, e scopri perché la data science è accessibile a tutti!

Scopri la data science, la sua popolarità e impara con esercizi pratici. Nessun codice richiesto.

Comprendere la Data Science

Un'introduzione alla data science senza necessità di programmare.

Comprendere gli argomenti dei dati

Interpret a time series plot

Comprendere la Data Science

Esercizio pratico interattivo