or
Den här övningen är en del av kursen
Vi börjar kursen med att definiera vad datavetenskap är. Vi går igenom arbetsflödet inom datavetenskap och hur det tillämpas på verkliga problem. Kapitlet avslutas med en genomgång av olika roller inom datavetenskapsfältet.
Nu när vi förstår arbetsflödet inom datavetenskap fördjupar vi oss i det första steget: datainsamling och lagring. Vi lär oss om olika datakällor, hur data kan se ut, hur man lagrar insamlad data och hur en datapipeline kan automatisera processen.
Dataförberedelse är grundläggande: datavetare lägger 80 % av sin tid på att rensa och bearbeta data, och bara 20 % på att faktiskt analysera den. Det här kapitlet visar dig hur du identifierar problem i dina data, hanterar saknade värden och avvikare. Sedan lär du dig om visualisering – ett viktigt verktyg för att både utforska data och kommunicera dina fynd.
I det här sista kapitlet tar vi upp experiment och prediktioner. Vi börjar med A/B-testning och går sedan vidare till tidsserieprognoser, där vi lär oss förutsäga framtida händelser. Kapitlet avslutas med maskininlärning, där vi tittar på övervakad inlärning och klustring.
Aktuell övning