OKR'ları İyileştirme

OKR, Hedef/Anahtar Sonuç anlamına gelir. Hedef bir amaçtır, Anahtar Sonuç ise bu amacın sayısal bir ölçütüdür.

Justina'nın şirketi, her çeyrekte hedef belirlemek ve ilerlemeyi izlemek için OKR'lar oluşturuyor. Ekibi, sağ tarafta Veri Bilimi OKR'ları slaydını hazırladı. İlk iki OKR'ı tamamladı, ancak hâlâ OKR 3 üzerinde çalışıyor. Aşağıdaki listeden OKR 3 için bir Anahtar Sonuç seçmek istiyor.

Aşağıdaki Anahtar Sonuçlardan hangisi, veri bilimi iş akışının üçüncü adımı olan "Veriyle Tahmin ve Deney Yapma"ya bir örnektir?

Bu egzersiz

İş Dünyası için Data Science

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

İnteraktif egzersizlerimizden biriyle teoriyi pratiğe dökün

Egzersizi başlat

Bu egzersiz

İş Dünyası için Data Science

kursunun bir parçasıdır

InicianteNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

We'll start the course by defining what data science is. We'll cover the data science workflow, and how data science is applied to real-world business problems. We'll finish the chapter by learning about ways to structure your data team to meet your organization's needs.

Exercise 1: Data Science nedir?Exercise 2: Müşteri Segmentasyonu İş Akışı Exercise 3: Müşteri hizmetleri sohbet botu oluşturma Exercise 4: OKR'ları İyileştirme

Geçerli Egzersiz

Exercise 5: Veri Biliminin Uygulamaları Exercise 6: Veri bilimi projelerini atama Exercise 7: Yatırım araştırması Exercise 8: Bir veri bilimi ekibi oluşturma Exercise 9: Bir ekip sprint'ini yorumlama Exercise 10: Bir iş ilanını düzenleme Exercise 11: Yetenekleri işlerle eşleştirme Exercise 12: Veri görevlerini sınıflandırma

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection. We'll learn about the different data sources your company can draw from, and how to store that data once it's collected.

Exercise 1: Data sources and risks Exercise 2: Classifying data for security Exercise 3: Creating web data events Exercise 4: Protecting PII Exercise 5: Solicited data Exercise 6: Identifying question purpose Exercise 7: Validating focus group feedback Exercise 8: Net Promoter Score Exercise 9: Collecting additional data Exercise 10: Sorting data sources Exercise 11: Asthma frequency Exercise 12: Data storage and retrieval Exercise 13: Cloud platforms Exercise 14: Querying a database Exercise 15: Which type of database?

In this chapter, we'll discuss ways to explore and visualize data through dashboards. We'll discuss the elements of a dashboard and how to make a directed request for a dashboard. This chapter will also cover making ad hoc data requests and A/B tests, which are a powerful analytics tool that de-risk decision-making.

Exercise 1: Dashboards Exercise 2: Classifying dashboard elements Exercise 3: Improving a dashboard Exercise 4: Choosing the right dashboard Exercise 5: Ad hoc analysis Exercise 6: Filling out an ad hoc request Exercise 7: Classifying requests Exercise 8: A/B Testing Exercise 9: Creating an A/B testing workflow Exercise 10: Sample size Exercise 11: Intermediate results

In this final chapter, we'll discuss the buzziest topic in data science: machine learning! We'll cover supervised and unsupervised machine learning, and clustering. Then, we'll move on to special topics in machine learning, including time series prediction, natural language processing, deep learning, and explainable AI!

Exercise 1: Supervised machine learning Exercise 2: When to use Supervised Learning Exercise 3: Features and labels Exercise 4: Model evaluation Exercise 5: Clustering Exercise 6: Supervised vs. unsupervised Exercise 7: Cluster size selection Exercise 8: Special topics in Machine Learning Exercise 9: Classifying machine learning tasks Exercise 10: Sentiment Analysis Exercise 11: Deep Learning and Explainable AI Exercise 12: Finding the correct solution Exercise 13: Should I use Deep Learning?