Oglądaj krótkie filmy prowadzone przez ekspertów-instruktorów, a następnie ćwicz to, czego się nauczyłeś, w interaktywnych ćwiczeniach w przeglądarce.
lub
Kurs
Poznaj różne typy w modelowaniu danych, także do predykcji, i naucz się prowadzić regresję liniową oraz oceniać modele w Tidyverse.
Prawdopodobieństwo i statystyka
Kurs
Naucz się korzystać z podstawowych pakietów Bioconductor do bioinformatyki, używając danych z wirusów, grzybów, ludzi i roślin!
Prawdopodobieństwo i statystyka
Kurs
Twórz interaktywne aplikacje webowe w R z Shiny, umożliwiając zespołowi analizę danych w formie dashboardów i wizualizacji.
Tworzenie oprogramowania
Kurs
W tym kursie nauczysz się wykonywać inferencję za pomocą modeli liniowych.
Prawdopodobieństwo i statystyka
Kurs
Naucz się prognozować przyszłość za pomocą prognozowania szeregów czasowych w R, w tym modeli ARIMA i metod wygładzania wykładniczego.
Prawdopodobieństwo i statystyka
Kurs
Opanuj manipulację danymi szeregów czasowych w R: import, podsumowanie i filtrowanie z zoo, lubridate i xts.
Przetwarzanie danych
Kurs
Poznaj podstawy wyceny przepływów pieniężnych, pracuj z danymi o śmiertelności ludzi i twórz produkty ubezpieczeń na życie w R.
Finanse stosowane
Kurs
W tym kursie poznasz podstawy projektowania eksperymentów, kluczowy element każdej analizy danych.
Prawdopodobieństwo i statystyka
Kurs
Poznaj modele drzewiaste i zespoły, by tworzyć predykcje klasyfikacji i regresji z tidymodels.
Uczenie maszynowe
Kurs
Zarządzaj złożonością kodu, używając programowania obiektowego z systemami S3 i R6.
Tworzenie oprogramowania
Kurs
Analiza różnicowej ekspresji RNA-Seq, aby identyfikować geny prawdopodobnie ważne dla różnych chorób lub stanów.
Prawdopodobieństwo i statystyka
Kurs
Ten kurs wprowadza do klastrowania i redukcji wymiarowości w R z perspektywy uczenia maszynowego.
Uczenie maszynowe
Kurs
Poznaj kluczowe techniki potrzebne do wyciągania wartościowych wniosków z danych szeregów czasowych.
Prawdopodobieństwo i statystyka
Kurs
Ten kurs uczy kluczowych pojęć machine learning, takich jak tworzenie i ocena modeli predykcyjnych.
Uczenie maszynowe
Kurs
Poznaj podstawy analizowania, manipulowania i obliczania dat i godzin w R.
Tworzenie oprogramowania
Kurs
Zdobądź intuicję, jak działają klastrowanie hierarchiczne i k-means, i naucz się stosować je do wyciągania wniosków z danych.
Uczenie maszynowe
Kurs
Analizuj dane tekstowe w R, korzystając z frameworku tidy.
Przetwarzanie danych
Kurs
Learn to work with time-to-event data. The event may be death or finding a job after unemployment. Learn to estimate, visualize, and interpret survival models!
Prawdopodobieństwo i statystyka
Kurs
Kurs Generalized Linear Model rozszerza zestaw narzędzi regresji o regresję logistyczną i Poissona.
Prawdopodobieństwo i statystyka
Kurs
Zostań ekspertem w dopasowywaniu modeli ARIMA (autoregresyjnych zintegrowanych średnich ruchomych) do danych szeregów czasowych w R.
Prawdopodobieństwo i statystyka
Kurs
W tym kursie nauczysz się dopasowywać modele hierarchiczne z efektami losowymi.
Prawdopodobieństwo i statystyka
Kurs
Poznaj analizę danych bayesowską, jej działanie i dlaczego to przydatne narzędzie w Twoim zestawie narzędzi data science.
Prawdopodobieństwo i statystyka
Kurs
Twórz interaktywne dashboardy w R z użyciem potężnego pakietu shinydashboard. Twórz dynamiczne i angażujące wizualizacje dla swojej publiczności.
Raportowanie
Kurs
Wykorzystaj umiejętności manipulacji danymi i wizualizacji, aby analizować historyczne głosowania Zgromadzenia Ogólnego ONZ.
Eksploracyjna analiza danych
Kurs
Twórz interaktywne mapy internetowe z łatwością dzięki leaflet.
Wizualizacja danych
Kurs
Naucz się czytać, eksplorować i przetwarzać dane przestrzenne, a potem wykorzystaj je do tworzenia informacyjnych map w R.
Wizualizacja danych
Kurs
Opanuj kluczowe pojęcia manipulacji danymi, takie jak filtrowanie, wybieranie i obliczanie statystyk grupowych za pomocą data.table.
Przetwarzanie danych
Kurs
Poznaj podstawy testów A/B w R: projektowanie eksperymentów, analiza danych, prognozowanie wyników i prezentacja rezultatów w wizualizacjach.
Prawdopodobieństwo i statystyka
Kurs
Learn how to pull character strings apart, put them back together and use the stringr package.
Tworzenie oprogramowania
Kurs
Poznaj projektowanie ankiet z użyciem popularnych struktur projektowych, a następnie wizualizuj i analizuj wyniki ankiet.
Prawdopodobieństwo i statystyka
Data science to dziedzina wiedzy skoncentrowana na pozyskiwaniu informacji z danych. Korzystając z umiejętności programowania, metod naukowych, algorytmów i nie tylko, data scientists analizują dane, aby tworzyć przydatne wnioski.
Będziesz potrzebować nauki języka programowania, takiego jak Python lub R, i opanowania zasad matematyki i statystyki. Niezbędna jest również znajomość metod analizy danych i narzędzi data science. Istnieje wiele sposobów nauki data science. Oprócz formalnych form edukacji, takich jak studia czy kursy akademickie, istnieje wiele innych zasobów, które pomogą ci uczyć się we własnym tempie. Oprócz kursów online i samouczków dostępne są książki, filmy i wiele więcej.
Oprócz znajomości matematyki i statystyki, data scientists potrzebują umiejętności programistycznych w językach takich jak Python, R i SQL. Ponadto data science wymaga umiejętności pracy z dużymi zbiorami danych, wiedzy z zakresu wizualizacji danych, obróbki danych i zarządzania bazami danych. Przydatne mogą być również umiejętności w dziedzinie uczenia maszynowego i głębokiego uczenia.
W zastosowaniach zawodowych prawie każda branża może w pewnym stopniu korzystać z data science. Organizacje opieki zdrowotnej używają data science do wykrywania i leczenia chorób, podczas gdy firmy finansowe używają jej do wykrywania i zapobiegania oszustwom. Wszelkiego rodzaju branże używają data science do marketingu, np. do budowania systemów rekomendacji i analizowania odejść klientów.
Tak, data science jest jednym z najszybciej rozwijających się sektorów w USA i na całym świecie. Jest to również jedna z najlepiej opłacanych karier. Według danych Payscale, doświadczeni data scientists zarabiają średnio 97 609 USD i mają ocenę satysfakcji czterech gwiazdek na pięć w USA.
Należy tu wziąć pod uwagę kilka kwestii. Po pierwsze, studia z zakresu data science są często wymagające, wymagając konsekwentnie wysokich ocen. Podobnie, wiele umiejętności wymaganych w data science wymaga dużo nauki i cierpliwości. Opanowanie wszystkich niezbędnych podstaw może zająć kilka miesięcy, a zdobycie stanowiska na poziomie podstawowym wymaga dużo praktycznego doświadczenia.
Tak, będziesz potrzebować doświadczenia w programowaniu w takich językach jak Python, R, SQL, Java czy C/C++. Jednak ze względu na stosunkowo prostą składnię Python jest często preferowanym wyborem wśród osób stawiających pierwsze kroki.
Dla osoby bez wcześniejszego doświadczenia w kodowaniu i/lub matematycznego przygotowania zazwyczaj zajmuje to 7 do 12 miesięcy intensywnych studiów, aby osiągnąć poziom data scientist na poziomie podstawowym. Jednak ważne jest, aby pamiętać, że nauka jedynie teoretycznych podstaw data science może nie uczynić cię prawdziwym data scientistem.
Gdy opanujesz podstawy data science, możesz specjalizować się w różnych obszarach – machine learning, sztuczna inteligencja, analiza big data, business intelligence i analityka, eksploracja danych i wiele innych.
Rozwijaj się w drodze dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.