Vi börjar kursen med att definiera vad data science är. Vi går igenom arbetsflödet inom data science och hur det tillämpas på verkliga affärsproblem. Kapitlet avslutas med att vi tittar på hur du kan strukturera ditt datateam för att möta organisationens behov.

Vad är datavetenskap?

Ordna uppgifterna

Arbetsflöde för kundsegmentering

Uppgifter

Datainsamling

Utforskning och visualisering

Experiment och förutsägelse

Bygga en kundtjänstchattbot

Förbättra OKR:er

Tillämpningar av datavetenskap

Alternativ

Traditionell maskininlärning

Sakernas internet (IoT)

Djupinlärning

Tilldela datavetenskapliga projekt

Investeringsanalys

Att bygga ett datascience-team

Tolka ett teams sprint

Redigera en jobbannonss

Kompetenser

Datatekniker

Maskininlärningsforskare

Matcha kompetenser med roller

Dataingenjör

Dataanalytiker

Klassificera datauppgifter

Introduktion till Data Science

Nu när vi förstår arbetsflödet inom data science går vi djupare in på det första steget: datainsamling. Vi lär oss om de olika datakällor ditt företag kan använda och hur du lagrar datan när den väl har samlats in.

Datakällor och risker

Klassificera data för säkerhet

Skapa webbdatahändelser

Skydda personuppgifter (PII)

Insamlad data på begäran

Identifiera frågors syfte

Validera feedback från fokusgrupp

Net Promoter Score

Samla in ytterligare data

Sortera datakällor

Astmafrekvens

Datalagring och datahämtning

Molnplattformar

Ställa frågor mot en databas

Vilken typ av databas?

Datainsamling och lagring

I det här kapitlet diskuterar vi hur du utforskar och visualiserar data med hjälp av dashboards. Vi går igenom vad ett dashboard består av och hur du formulerar en välriktad förfrågan om ett dashboard. Kapitlet behandlar också ad hoc-dataförfrågningar och A/B-tester – ett kraftfullt analysverktyg som minskar risken i beslutsfattandet.

Dashboards

Klassificera dashboardelement

Förbättra en dashboard

Välj rätt typ av dashboard-element

Ad hoc-analys

Fylla i en ad hoc-förfrågan

Klassificera förfrågningar

A/B-testning

Skapa ett arbetsflöde för A/B-testning

Urvalsstorlek

Preliminära resultat

Analys och visualisering

I det här sista kapitlet tar vi upp det mest omdiskuterade ämnet inom data science: maskininlärning! Vi går igenom övervakad och oövervakad maskininlärning samt klustring. Sedan går vi vidare till specialområden inom maskininlärning, bland annat tidsserieprediktering, naturlig språkbehandling, djupinlärning och förklarbar AI!

Övervakad maskininlärning

När ska övervakad inlärning användas?

Särdrag och etiketter

Modellutvärdering

Klustring

Övervakad vs. oövervakad inlärning

Val av klusterstorlek

Specialämnen inom maskininlärning

Klassificera maskininlärningsuppgifter

Sentimentanalys

Djupinlärning och förklarbar AI

Hitta rätt lösning

Ska jag använda djupinlärning?

Prediktion

Vad är data science och hur kan du använda det för att stärka din organisation? Den här kursen lär dig om vilka kompetenser du behöver i ditt datateam och hur du kan strukturera teamet för att möta organisationens behov. Data finns överallt! Kursen ger dig förståelse för vilka datakällor ditt företag kan använda och hur du lagrar den insamlade datan. Du får också lära dig att analysera och visualisera data med hjälp av dashboards och A/B-tester. Avslutningsvis går vi igenom spännande ämnen inom maskininlärning – bland annat klustring, tidsserieprediktering, naturlig språkbehandling (NLP), djupinlärning och förklarbar AI! Längs vägen får du ta del av en mängd verkliga tillämpningar av data science och fördjupa din förståelse av dessa begrepp genom praktiska övningar.

<h2>Lär dig använda datavetenskap för affärer</h2> 
Vad är datavetenskap, och hur kan du använda den för att stärka din organisation? Den här kursen lär dig vilka färdigheter du behöver i ditt datateam och hur du kan strukturera teamet för att möta din organisations behov.
<br><br>
Den här kursen ger dig också en förståelse för datakällor som ditt företag kan använda och hur du lagrar, analyserar och visualiserar dessa data.
<br><br>
<h2>Förstå arbetsflödet inom datavetenskap</h2> 
Du börjar med en introduktion till datavetenskap för företag, där du tittar på datavetenskapsarbetsflödet och hur du kan tillämpa det på verkliga problem. Du kommer också att utforska hur datainsamling fungerar, och se hur du kan hämta och lagra data.
<br><br>
<h2>Lär dig analysera och visualisera dina data</h2> 
Du kommer också att upptäcka sätt att analysera och visualisera dina data genom dashboards och A/B-tester. För att avsluta kursen kommer vi att diskutera spännande ämnen inom maskininlärning, inklusive klustring, tidsserieprognoser, naturlig språkbehandling (NLP), djupinlärning och förklarbar AI.
<br><br>
På vägen kommer du att lära dig om en rad verkliga tillämpningar av datavetenskap och få en bättre förståelse för dessa begrepp genom praktiska övningar.
<br><br>
Detta är en idealisk introduktion till datavetenskap för chefer och ger dig möjlighet att lära dig mer om detta kraftfulla affärsverktyg.

Lär dig om data science för chefer och företag och hur data kan stärka din organisation.

Data Science för verksamheter

Lär dig om datavetenskap för chefer och företag och hur du använder data för att stärka din organisation. 

Samla in kunduppgifter för varje konversation 


Registrera tidsstämplar för varje utskrift

Rita ett diagram över antalet konversationer per tid på dygnet

Skapa ett stapeldiagram över antalet konversationer per typ

Skapa en algoritm som klassificerar kundens inledande fråga


Använd en Markov-modell för att förutsäga möjliga svar på varje fråga


Bygga en kundtjänstchattbot

Data Science för verksamheter

Interaktiv övning med praktiskt arbete