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 problems. We'll finish the chapter by learning about different roles within the data science field.

What is data science?

Data science everywhere!

Importance of data science

Applications of data science

Daily dose of data science

The science of smart assistants

Data science roles and tools

Selecting the right candidate

A data scientist role

Introduction to Data Science

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection and storage. We'll learn about the different data sources you can draw from, what that data looks like, how to store the data once it's collected, and how a data pipeline can automate the process.

Data sources

Sorting data sources

Asthma frequencies

Data types

Classifying data types

Net promoter score

Activity tracker

Data storage and retrieval

Cloud platforms

Querying a database

Which type of database?

Data Pipelines

Data pipeline characteristics

Extract Transform Load

Data Collection and Storage

Data preparation is fundamental: data scientists spend 80% of their time cleaning and manipulating data, and only 20% of their time actually analyzing it. This chapter will show you how to diagnose problems in your data, deal with missing values and outliers. You will then learn about visualization, another essential tool to both explore your data and convey your findings.

Veri hazırlığı

Gerçek orada bir yerde

Görevler

False

True

Hazır mısınız?

Keşifsel Veri Analizi

Sayısal EDA

Görsel EDA

Görselleştirme

İnteraktif gösterge tabloları

Gösterge tablosunu iyileştirme

Preparation, Exploration, and Visualization

In this final chapter, we'll discuss experimentation and prediction! Beginning with experiments, we'll cover A/B testing, and move on to time series forecasting where we'll learn about predicting future events. Finally, we'll end with machine learning, looking at supervised learning, and clustering.

A/B Testing

Creating an A/B testing workflow

Statistical significance

Intermediate results

Time series forecasting

Classifying time series data

Interpret a time series plot

Supervised machine learning

When to use supervised learning

Features and labels

Model Evaluation

Clustering

Supervised vs. unsupervised

Cluster size selection

Congratulations!

Experimentation and Prediction

Course Glossary

Veri bilimi nedir, neden bu kadar popülerdir ve Harvard Business Review neden onu “21. yüzyılın en seksi işi” olarak selamlamıştır? Bu teknik olmayan eğitimde, tek bir satır kod yazmanıza gerek kalmadan bu hızlı büyüyen ve heyecan verici alan hakkında sormaya korktuğunuz her sorunun cevabını alacaksınız. Uygulamalı egzersizler sayesinde farklı veri bilimci rolleri, A/B testi, zaman serisi analizi ve makine öğrenmesi gibi temel konular ve veri bilimcilerin gerçek hayattaki verilerden nasıl bilgi ve içgörü elde ettikleri hakkında bilgi edineceksiniz. Siz yine de moda laflara aldanmayın. Öğrenmeye başlayın, son derece talep gören bu alanda beceriler kazanın ve neden veri biliminin herkes için olduğunu keşfedin!

Videolar, videoların sol alt köşesindeki "Transkripti göster" seçeneğine tıklayarak ulaşabileceğiniz canlı transkriptler içerir.

Ders sözlüğü, sağdaki kaynaklar bölümünde bulunabilir.

CPE kredisi almak için kursu tamamlamanız ve nitelikli değerlendirmede %70 puan almanız gerekir. Sağdaki CPE kredileri başlığına tıklayarak değerlendirmeye gidebilirsiniz.

Veri biliminin ne olduğunu, neden popüler olduğunu keşfedin ve uygulamalı alıştırmalarla öğrenin.

Veri Bilimini Anlamak

Veri bilimine kodlama gerektirmeyen bir giriş.

Veri Konularını Anlama

Gerçek orada bir yerde

Veri Bilimini Anlamak

Uygulamalı interaktif egzersiz