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.

Datavoorbereiding

The truth is out there

Taken

Onwaar

Waar

Ben je voorbereid?

Verkennende data-analyse

Numerieke EDA

Visuele EDA

Visualisatie

Interactieve dashboards

Een dashboard verbeteren

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

Wat is data science, waarom is het zo populair, en waarom noemde de Harvard Business Review het de 'meest sexy baan van de 21e eeuw'? In deze niet-technische cursus maak je kennis met alles wat je altijd al wilde weten over dit snelgroeiende en spannende vakgebied, zonder dat je ook maar één regel code hoeft te schrijven. Met praktische oefeningen leer je over de verschillende rollen van data scientists, basisonderwerpen zoals A/B-testen, tijdreeksanalyse en Machine Learning, en hoe data scientists kennis en inzichten halen uit data uit de echte wereld. Laat je dus niet afschrikken door de buzzwords. Ga aan de slag, bouw vaardigheden op in dit enorm gewilde vakgebied en ontdek waarom data science voor iedereen is!

De video's bevatten live-transcripten die je kunt vinden door linksonder de video's op 'Transcript weergeven' te klikken.

De begrippenlijst van de cursus vind je rechts in het gedeelte 'Resources'.

Om CPE-punten te behalen, moet je de cursus afronden en een score van 70% halen voor de gekwalificeerde toets. Ga naar de beoordeling door op de knop onder CPE-punten aan de rechterkant te klikken.

Ontdek data science, waarom het populair is en leer het met oefeningen. Geen code nodig in deze cursus.

Data Science begrijpen

Introductie in data science zonder coderen.

Inzicht in datakwesties

Data is vaak meteen klaar om te analyseren.

Opgeruimde data betekent dat de features in rijen staan en de observaties in kolommen.

Onvoorbereide data kan leiden tot fouten, bevooroordeelde algoritmen en onjuiste resultaten.

Duplicaten verwijderen, datatypes controleren, ontbrekende waarden afhandelen en zorgen dat waarden hetzelfde meetsysteem gebruiken, zijn onderdeel van datavoorbereiding.

Ontbrekende waarden zijn lastig, maar er zijn meerdere manieren om ermee om te gaan.

Ben je voorbereid?

Data Science begrijpen

Interactieve oefening met praktijkervaring