Net Promoter Score

Net Promoter Score (NPS) to popularna metryka, której firmy używają do mierzenia sukcesu produktu lub strony internetowej. Polega na zapytaniu użytkowników, jak bardzo prawdopodobne jest, że polecą daną markę, stronę, usługę lub produkt znajomemu bądź współpracownikowi.

Użytkownicy odpowiadają w skali od 0 do 10. Skorzystaj z interaktywnego eksploratora, aby zobaczyć, jak te wyniki są zazwyczaj grupowane, a następnie zdecyduj, jak opisać rodzaj danych zbieranych przez NPS.

To ćwiczenie jest częścią kursu

Zrozumieć data science

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Zrozumieć data science

SkillTag.level.beginnerSkillTag.label

4.8+

7358 reviews

Rozpocznij kurs za darmo

Kurs zaczniemy od zdefiniowania pojęcia data science. Omówimy przepływ pracy w data science i sposób, w jaki stosuje się tę dziedzinę do rozwiązywania rzeczywistych problemów. Na koniec rozdziału poznasz różne role w obszarze data science.

Exercise 1: Czym jest data science?Exercise 2: Nauka o danych jest wszędzie!Exercise 3: Znaczenie data science Exercise 4: Zastosowania data science Exercise 5: Codzienna dawka data science Exercise 6: Nauka kryjąca się za inteligentnymi asystentami Exercise 7: Role i narzędzia w data science Exercise 8: Wybór odpowiedniego kandydata Exercise 9: Rola data scientista

Skoro rozumiemy już przepływ pracy w data science, czas przyjrzeć się bliżej pierwszemu jego etapowi – zbieraniu i przechowywaniu danych. Poznasz różne źródła danych, dowiesz się, jak wyglądają te dane, jak je przechowywać po zebraniu oraz w jaki sposób potok danych może zautomatyzować cały ten proces.

Exercise 1: Źródła danych Exercise 2: Sortowanie źródeł danych Exercise 3: Częstość występowania astmy Exercise 4: Typy danych Exercise 5: Klasyfikowanie typów danych Exercise 6: Net Promoter Score

Bieżące ćwiczenie

Exercise 7: Monitor aktywności Exercise 8: Przechowywanie i pobieranie danych Exercise 9: Platformy chmurowe Exercise 10: Zapytania do bazy danych Exercise 11: Który typ bazy danych?Exercise 12: Potoki danych Exercise 13: Cechy potoków danych Exercise 14: Extract Transform Load

Przygotowanie danych to fundament pracy analitycznej – data scientyści poświęcają aż 80% czasu na czyszczenie i przekształcanie danych, a jedynie 20% na ich faktyczną analizę. W tym rozdziale nauczysz się, jak diagnozować problemy w danych oraz jak radzić sobie z brakującymi wartościami i wartościami odstającymi. Następnie poznasz wizualizację – kolejne niezbędne narzędzie, które pomaga zarówno eksplorować dane, jak i prezentować wyniki.

Exercise 1: Przygotowanie danych Exercise 2: Prawda jest gdzieś tam Exercise 3: Czy jesteś przygotowany?Exercise 4: Eksploracyjna analiza danych Exercise 5: Numeryczna eksploracja danych Exercise 6: Wizualna EDA Exercise 7: Wizualizacja Exercise 8: Interaktywne dashboardy Exercise 9: Ulepszanie dashboardu

W ostatnim rozdziale zajmiemy się eksperymentowaniem i prognozowaniem. Zaczniemy od testów A/B, przejdziemy do prognozowania szeregów czasowych i nauki przewidywania przyszłych zdarzeń, a zakończymy na uczeniu maszynowym – przyjrzymy się uczeniu nadzorowanemu i klastrowaniu.

Exercise 1: Testy A/B Exercise 2: Tworzenie schematu testu A/B Exercise 3: Istotność statystyczna Exercise 4: Wyniki pośrednie Exercise 5: Prognozowanie szeregów czasowych Exercise 6: Klasyfikowanie danych szeregów czasowych Exercise 7: Interpretacja wykresu szeregu czasowego Exercise 8: Nadzorowane uczenie maszynowe Exercise 9: Kiedy stosować nadzorowane uczenie maszynowe Exercise 10: Cechy i etykiety Exercise 11: Ocena modelu Exercise 12: Grupowanie Exercise 13: Uczenie nadzorowane a nienadzorowane Exercise 14: Dobór liczby klastrów Exercise 15: Gratulacje!