Когда применять обучение с учителем

К этому моменту вы познакомились с различными концепциями data science: A/B-тестированием, обучением с учителем и дашбордами. Ниже приведён список задач, которые необходимо решить. Сопоставьте каждую задачу с наиболее подходящим решением.

Это упражнение является частью курса

Понимание науки о данных

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Понимание науки о данных

SkillTag.level.beginnerSkillTag.label

4.8+

Начать курс бесплатно

Мы начнём курс с определения понятия «наука о данных». Вы познакомитесь с рабочим процессом специалиста по данным и узнаете, как наука о данных применяется для решения реальных задач. В конце главы мы рассмотрим различные роли в этой области.

Exercise 1: Что такое наука о данных?Exercise 2: Наука о данных повсюду!Exercise 3: Значимость науки о данных Exercise 4: Применение науки о данных Exercise 5: Наука о данных в повседневной жизни Exercise 6: Наука умных помощников Exercise 7: Роли и инструменты в Data Science Exercise 8: Выбор подходящего кандидата Exercise 9: Роль специалиста по данным

Теперь, когда вы понимаете рабочий процесс науки о данных, мы подробнее остановимся на первом его этапе: сборе и хранении данных. Вы узнаете, из каких источников можно получать данные, как они выглядят, как их хранить после сбора и как конвейер данных позволяет автоматизировать этот процесс.

Exercise 1: Источники данных Exercise 2: Сортировка источников данных Exercise 3: Частота случаев астмы Exercise 4: Типы данных Exercise 5: Классификация типов данных Exercise 6: Индекс потребительской лояльности Exercise 7: Трекер активности Exercise 8: Хранение и извлечение данных Exercise 9: Облачные платформы Exercise 10: Запрос к базе данных Exercise 11: Какой тип базы данных?Exercise 12: Конвейеры данных Exercise 13: Характеристики конвейера данных Exercise 14: Извлечение, преобразование и загрузка

Подготовка данных — это основа работы: специалисты по данным тратят 80% своего времени на очистку и преобразование данных и лишь 20% — на их анализ. В этой главе вы научитесь выявлять проблемы в данных, работать с пропущенными значениями и выбросами. Затем вы познакомитесь с визуализацией — незаменимым инструментом как для исследования данных, так и для представления результатов.

Exercise 1: Подготовка данных Exercise 2: Истина где-то рядом Exercise 3: Готовы к подготовке данных?Exercise 4: Разведочный анализ данных Exercise 5: Числовой разведочный анализ данных Exercise 6: Визуальный разведочный анализ данных Exercise 7: Визуализация Exercise 8: Интерактивные дашборды Exercise 9: Улучшение дашборда

В завершающей главе мы поговорим об экспериментах и прогнозировании. Начнём с A/B-тестирования, затем перейдём к прогнозированию временных рядов и методам предсказания будущих событий. В финале рассмотрим машинное обучение: обучение с учителем и кластеризацию.

Exercise 1: A/B-тестирование Exercise 2: Создание рабочего процесса A/B-тестирования Exercise 3: Статистическая значимость Exercise 4: Промежуточные результаты Exercise 5: Прогнозирование временных рядов Exercise 6: Классификация данных временных рядов Exercise 7: Интерпретация графика временного ряда Exercise 8: Машинное обучение с учителем Exercise 9: Когда применять обучение с учителем

Текущее упражнение

Exercise 10: Признаки и метки Exercise 11: Оценка модели Exercise 12: Кластеризация Exercise 13: Обучение с учителем и без учителя Exercise 14: Выбор количества кластеров Exercise 15: Поздравляем!