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.

Czym jest data science?

Nauka o danych jest wszędzie!

Znaczenie data science

Zastosowania data science

Codzienna dawka data science

Nauka kryjąca się za inteligentnymi asystentami

Role i narzędzia w data science

Wybór odpowiedniego kandydata

Rola data scientista

Wprowadzenie do data science

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.

Źródła danych

Sortowanie źródeł danych

Częstość występowania astmy

Typy danych

Klasyfikowanie typów danych

Net Promoter Score

Monitor aktywności

Przechowywanie i pobieranie danych

Platformy chmurowe

Zapytania do bazy danych

Który typ bazy danych?

Potoki danych

Cechy potoków danych

Extract Transform Load

Zbieranie i przechowywanie danych

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.

Przygotowanie danych

Prawda jest gdzieś tam

Czy jesteś przygotowany?

Eksploracyjna analiza danych

Numeryczna eksploracja danych

Wizualna EDA

Wizualizacja

Interaktywne dashboardy

Ulepszanie dashboardu

Przygotowanie, eksploracja i wizualizacja danych

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.

Testy A/B

Tworzenie schematu testu A/B

Istotność statystyczna

Wyniki pośrednie

Prognozowanie szeregów czasowych

Klasyfikowanie danych szeregów czasowych

Interpretacja wykresu szeregu czasowego

Nadzorowane uczenie maszynowe

Kiedy stosować nadzorowane uczenie maszynowe

Cechy i etykiety

Ocena modelu

Grupowanie

Uczenie nadzorowane a nienadzorowane

Dobór liczby klastrów

Gratulacje!

Eksperymentowanie i prognozowanie

Course Glossary

Czym jest data science, dlaczego cieszy się taką popularnością i dlaczego Harvard Business Review okrzyknął tę dziedzinę „najseksowniejszą pracą XXI wieku"? W tym kursie bez kodu zostaniesz wprowadzony(-a) w świat data science – bez potrzeby pisania choćby jednej linii kodu. Dzięki praktycznym ćwiczeniom poznasz różne role data scientistów, podstawowe zagadnienia, takie jak testy A/B, analiza szeregów czasowych i uczenie maszynowe, oraz sposoby, w jakie data science pozwala wydobywać wiedzę i wnioski z danych ze świata rzeczywistego. Nie zrażaj się żargonem – zacznij się uczyć, zdobądź umiejętności w jednej z najbardziej poszukiwanych dziedzin i przekonaj się, że data science jest dla każdego!

Filmy zawierają napisy, które możesz wyświetlić, klikając „Pokaż transkrypt" w lewym dolnym rogu odtwarzacza.

Słownik pojęć kursu znajdziesz po prawej stronie, w sekcji z zasobami.

Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w kwalifikowanym teście. Do testu możesz przejść, klikając informację o punktach CPE widoczną po prawej stronie.

Poznaj data science, jego popularność i naucz się go poprzez ćwiczenia praktyczne. Kod nie jest wymagany.

Role i narzędzia w data science

Create Your Free Account