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

Zadania

Fałsz

Prawda

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.

Zrozumieć data science

Wprowadzenie do data science bez kodowania.

Zrozumienie zagadnień danych

Dane są zazwyczaj gotowe do analizy od razu po zebraniu.

Uporządkowane dane (tidy data) mają cechy jako wiersze, a obserwacje jako kolumny.

Nazwy krajów powinny być zawsze zapisywane w formie skróconej.

Nieprzygotowane dane mogą prowadzić do błędów, stronniczych algorytmów i nieprawidłowych wyników.

Usuwanie duplikatów, weryfikacja typów danych, obsługa brakujących wartości oraz zapewnienie spójnego systemu miar – to wszystko składa się na przygotowanie danych.

Brakujące wartości bywają kłopotliwe, ale istnieje kilka sposobów, by sobie z nimi poradzić.

Czy jesteś przygotowany?

Zrozumieć data science

Interaktywne ćwiczenie praktyczne