Істина десь поруч

Учора ввечері ви дивилися на зорі з другом і помітили щось дивне в небі. Ви вирішили переглянути звіти про НЛО (невпізнаний літаючий об'єкт), щоб з'ясувати, чи бачив хтось подібне у вашому регіоні. На щастя, ви знайшли набір даних зі звітами про НЛО, але перед аналізом потрібно підготувати дані! Ось знімок перших 5 рядків.

Flowers

Яке з наведених тверджень є правильним?

Ця вправа є частиною курсу

Розуміння Data Science

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Розуміння Data Science

SkillTag.level.beginnerSkillTag.label

4.8+

Почніть курс безкоштовно

Почнемо курс із визначення, що таке data science. Розглянемо робочий процес у data science і те, як його застосовують до реальних задач. Завершимо розділ оглядом різних ролей у цій галузі.

Exercise 1: Що таке дата-сайєнс?Exercise 2: Data science усюди!Exercise 3: Чому Data Science важлива Exercise 4: Застосування дата-сайєнсу Exercise 5: Щоденна порція data science Exercise 6: Наука про розумних асистентів Exercise 7: Ролі та інструменти в data science Exercise 8: Обрати відповідного кандидата Exercise 9: Роль дата-сайєнтиста

Тепер, коли ми розуміємо робочий процес data science, зануримося глибше в перший крок — збирання та зберігання даних. Розглянемо різні джерела даних, з якими ви можете працювати, як виглядають ці дані, як їх зберігати після збирання, а також як конвеєр даних може автоматизувати процес.

Exercise 1: Джерела даних Exercise 2: Класифікація джерел даних Exercise 3: Частота випадків астми Exercise 4: Типи даних Exercise 5: Класифікація типів даних Exercise 6: Індекс прихильності NPS Exercise 7: Трекер активності Exercise 8: Зберігання та отримання даних Exercise 9: Хмарні платформи Exercise 10: Запити до бази даних Exercise 11: Який тип бази даних?Exercise 12: Конвеєри даних Exercise 13: Характеристики конвеєра даних Exercise 14: Extract Transform Load

Підготовка даних — це основа: дата-сайенти витрачають 80% часу на очищення й опрацювання даних і лише 20% — на власне аналіз. У цьому розділі ви навчитеся виявляти проблеми у даних, працювати з пропущеними значеннями та викидами. Далі ви опануєте візуалізацію — ще один ключовий інструмент для дослідження даних і подання результатів.

Exercise 1: Підготовка даних Exercise 2: Істина десь поруч

Поточна вправа

Exercise 3: Готові до підготовки?Exercise 4: Розвідувальний аналіз даних Exercise 5: Числовий EDA Exercise 6: Візуальний EDA Exercise 7: Візуалізація Exercise 8: Інтерактивні дашборди Exercise 9: Покращення дашборду

У фінальному розділі ми поговоримо про експерименти та передбачення. Почнемо з експериментів і A/B-тестування, далі перейдемо до прогнозування часових рядів, де навчимося передбачати майбутні події. Завершимо машинним навчанням, розглянувши навчання з учителем і кластеризацію.

Exercise 1: A/B-тестування Exercise 2: Створення робочого процесу A/B‑тестування Exercise 3: Статистична значущість Exercise 4: Проміжні результати Exercise 5: Прогнозування часових рядів Exercise 6: Класифікація даних часових рядів Exercise 7: Інтерпретуйте графік часових рядів Exercise 8: Кероване машинне навчання Exercise 9: Коли застосовувати контрольоване навчання Exercise 10: Ознаки та мітки Exercise 11: Оцінювання моделей Exercise 12: Кластеризація Exercise 13: Навчання з учителем vs. без учителя Exercise 14: Вибір кількості кластерів Exercise 15: Вітаємо!