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.

Vad är datavetenskap?

Data science finns överallt!

Databasenskapets betydelse

Tillämpningar inom datavetenskap

Data science i vardagen

Vetenskapen bakom smarta assistenter

Roller och verktyg inom datavetenskap

Välj rätt kandidat

En datavetares roll

Introduktion till datavetenskap

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.

Datakällor

Sortera datakällor

Astmafrekvenser

Datatyper

Klassificera datatyper

Net Promoter Score

Aktivitetsmätare

Datalagring och hämtning

Molnplattformar

Fråga en databas

Vilken typ av databas?

Datapipelines

Egenskaper hos datapipelines

Extrahera, transformera, ladda

Datainsamling och lagring

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.

Dataförberedelse

Sanningen finns därute

Uppgifter

Falskt

Sant

Är du förberedd?

Exploratory dataanalys

Numerisk EDA

Visuell EDA

Visualisering

Interaktiva dashboards

Förbättra en dashboard

Förberedelse, utforskning och visualisering

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.

A/B-testning

Skapa ett arbetsflöde för A/B-testning

Statistisk signifikans

Preliminära resultat

Tidsserieprognos

Klassificera tidsseriedata

Tolka ett tidsseriediagram

Övervakad maskininlärning

När ska man använda övervakad inlärning

Särdrag och etiketter

Modellutvärdering

Klustring

Övervakad vs. oövervakad inlärning

Val av klusterstorlek

Grattis!

Experiment och prediktioner

Course Glossary

Vad är datavetenskap, varför är det så populärt, och varför utnämnde Harvard Business Review det till "sexigaste jobbet på 2000-talet"? I den här icke-tekniska kursen får du en introduktion till allt du någonsin velat veta om det här snabbväxande och spännande området – utan att behöva skriva en enda rad kod. Genom praktiska övningar lär du dig om olika roller inom datavetenskap, grundläggande ämnen som A/B-testning, tidsserieanalys och maskininlärning, samt hur datavetare utvinner kunskap och insikter från verkliga data. Låt dig inte skrämmas av buzzorden. Börja lära dig, bygg eftertraktade färdigheter och upptäck varför datavetenskap är till för alla!

Videorna innehåller live-transkript som du hittar genom att klicka på "Visa transkript" längst ned till vänster i videospelaren.

Kursglosset finns till höger i resurssektionen.

För att få CPE-poäng behöver du slutföra kursen och nå 70 % på det kvalificerade provet. Du når provet via CPE-länken till höger.

Upptäck vad datavetenskap är, varför det är populärt och lär dig med praktiska övningar utan kod.

Förstå datavetenskap

En introduktion till data science utan kodning.

Förstå datateman

Data levereras ofta i ett analysklart skick.

Strukturerad data innebär att särdragen finns som rader och observationerna som kolumner.

Oförberedd data kan leda till fel, snedvridna algoritmer och felaktiga resultat.

Att ta bort dubbletter, verifiera datatyper, hantera saknade värden och säkerställa ett enhetligt måttsystem är alla delar av dataförberedelse.

Saknade värden kan vara knepiga, men det finns flera sätt att hantera dem.

Är du förberedd?

Förstå datavetenskap

Interaktiv övning med praktiskt arbete