คอร์ส
กรณีศึกษา: การสร้าง Data Model สำหรับ E-Commerce ด้วย dbt
- ขั้นสูงระดับทักษะ
- 4.8+
- 523 รีวิว
เรียนรู้วิธีแปลงข้อมูลดิบให้เป็นโมเดลที่สะอาดและเชื่อถือได้ด้วย dbt ผ่านแบบฝึกหัดลงมือทำจากสถานการณ์จริง
วิศวกรรมข้อมูล
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
เรียนรู้วิธีแปลงข้อมูลดิบให้เป็นโมเดลที่สะอาดและเชื่อถือได้ด้วย dbt ผ่านแบบฝึกหัดลงมือทำจากสถานการณ์จริง
วิศวกรรมข้อมูล
คอร์ส
สำรวจวิธีทำงานกับข้อมูลวันที่และเวลาใน SQL Server สำหรับการวิเคราะห์อนุกรมเวลา
การจัดการข้อมูล
คอร์ส
เรียนรู้วิธีทำความสะอาดข้อมูลด้วย Apache Spark ใน Python
การเตรียมข้อมูล
คอร์ส
ปลดล็อก Alteryx สำหรับการแปลงข้อมูล เชี่ยวชาญ Crosstab, Transpose และการเพิ่มประสิทธิภาพเวิร์กโฟลว์ในคอร์สแบบอินเทอร์แอ็กทีฟนี้
การจัดการข้อมูล
คอร์ส
คุณจะใช้เทคนิค Net Revenue Management ใน Excel สำหรับบริษัทสินค้าอุปโภคบริโภคที่หมุนเวียนเร็ว
การเงินประยุกต์
คอร์ส
เรียนรู้การสื่อสารข้อมูลของคุณอย่างมีประสิทธิภาพด้วยภาพรวมของแผนภูมิทั่วไป ประเภทการแสดงผลข้อมูลทางเลือก และการปรับสไตล์ที่ขับเคลื่อนด้วยการรับรู้
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
ในคอร์สแบบอินเทอร์แอคทีฟนี้ คุณจะได้เรียนรู้วิธีใช้ฟังก์ชันสำหรับการคำนวณใน Tableau และเมื่อใดควรใช้ฟังก์ชันเหล่านั้น!
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
เรียนรู้การเปลี่ยนแปลงดิจิทัล พร้อมเสริมทักษะเป็นผู้นำการเปลี่ยนแปลงในยุคดิจิทัลที่เปลี่ยนแปลงอย่างรวดเร็ว
ความรู้ด้านข้อมูล
คอร์ส
Build end-to-end data pipelines in Snowflake: ingest, transform with SQL and Snowpark, deliver, and orchestrate.
วิศวกรรมข้อมูล
คอร์ส
คอร์สนี้จะแสดงวิธีผสานข้อมูลเชิงพื้นที่เข้ากับเวิร์กโฟลว์ Python Data Science ของคุณ
การจัดการข้อมูล
คอร์ส
เรียนรู้ความท้าทายของการมอนิเตอร์โมเดลแมชชีนเลิร์นนิงในโปรดักชัน รวมถึง data drift และ concept drift และวิธีรับมือกับการเสื่อมประสิทธิภาพของโมเดล
Machine Learning
คอร์ส
เรียนรู้การสร้างแบบจำลองและคาดการณ์ค่าข้อมูลหุ้นด้วยโมเดลเชิงเส้น, ต้นไม้ตัดสินใจ, ป่ากลุ่มสุ่ม และโครงข่ายประสาทเทียม
Machine Learning
คอร์ส
เรียนรู้เทคนิคการปรับจูนไฮเปอร์พารามิเตอร์อัตโนมัติใน Python รวมถึง Grid, Random และ Informed Search
Machine Learning
คอร์ส
สร้างกลยุทธ์ go-to-market ด้วย generative AI: เจาะอุตสาหกรรม สร้างลีด และปรับคีย์เวิร์ดเว็บไซต์ให้เหมาะสม
ปัญญาประดิษฐ์
คอร์ส
เรียนรู้การเขียนสคริปต์ที่ตรวจจับและจัดการข้อผิดพลาด พร้อมควบคุมหลายการทำงานที่เกิดขึ้นพร้อมกัน
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้วิธีแปลงและวิเคราะห์ข้อมูลภายในบัญชี Microsoft Fabric ของคุณ
อื่น
คอร์ส
Build custom business apps without code using Microsoft Power Apps - from blank canvas to published, responsive app.
ปัญญาประดิษฐ์
คอร์ส
เชี่ยวชาญการวางแผนการเดินทางด้วย WanderBot: สร้างพรอมต์ เสริมความมั่นใจ และทำให้การผจญภัยครั้งต่อไปของคุณราบรื่นขึ้น
ปัญญาประดิษฐ์
คอร์ส
สร้าง AI Agent Harnesses ด้วย Strands Agents
ปัญญาประดิษฐ์
คอร์ส
Explore multi-agent system architecture and deployment using Googles ADK and Google Cloud infrastructure for production-grade agent applications.
Cloud
คอร์ส
สร้าง DAG ด้วย TaskFlow API, การจัดตารางแบบอิงแอสเซ็ต, และ deferrable sensors พร้อมรันไปป์ไลน์ SQL ETL แบบ end-to-end พร้อมการตรวจสอบคุณภาพ
วิศวกรรมข้อมูล
คอร์ส
เรียนรู้วิธีสร้างการคาดการณ์จากข้อมูลด้วย Apache Spark โดยใช้ decision trees, logistic regression, linear regression, ensembles และ pipelines
Machine Learning
คอร์ส
ช่วยบริษัทสมมติในกรณีศึกษาสำรวจ Power BI แบบอินเทอร์แอคทีฟนี้ คุณจะใช้ Power Query, DAX และแดชบอร์ดเพื่อระบุงานด้านข้อมูลที่เป็นที่ต้องการมากที่สุด!
การจัดการข้อมูล
คอร์ส
เชี่ยวชาญฟังก์ชันสำคัญสำหรับจัดการ ประมวลผล และแปลงข้อมูลใน SQL Server
การจัดการข้อมูล
คอร์ส
เรียนรู้การใช้ Power BI Service ชำนาญอินเทอร์เฟซ ตัดสินใจอย่างมีข้อมูล และเพิ่มประสิทธิภาพรายงานของคุณ
การรายงาน
คอร์ส
จัดการข้อมูลด้วย unions, joins, parsing และการเพิ่มประสิทธิภาพประสิทธิภาพใน Alteryx
การจัดการข้อมูล
คอร์ส
ทำความรู้จัก Google Cloud Platform (GCP) ด้วยคอร์สนี้เกี่ยวกับการจัดเก็บข้อมูล การจัดการข้อมูล และการปรับธุรกิจให้ทันสมัยด้วย GCP
Cloud
คอร์ส
เรียนรู้เกี่ยวกับโมเดล ARIMA ใน Python และก้าวสู่ความเชี่ยวชาญด้านการวิเคราะห์อนุกรมเวลา
Machine Learning
คอร์ส
Parse data in any format. Whether its flat files, statistical software, databases, or data right from the web.
การเตรียมข้อมูล
คอร์ส
คอร์สนี้จะช่วยให้คุณมีทักษะในการวิเคราะห์ แสดงภาพ และทำความเข้าใจเครือข่ายด้วยไลบรารี NetworkX
ความน่าจะเป็นและสถิติ
data science เป็นสาขาความเชี่ยวชาญที่มุ่งเน้นการรับข้อมูลจากข้อมูล โดยใช้ทักษะการเขียนโปรแกรม วิธีการทางวิทยาศาสตร์ อัลกอริทึม และอื่น ๆ นักวิทยาศาสตร์ข้อมูลวิเคราะห์ข้อมูลเพื่อสร้างข้อมูลเชิงลึกที่นำไปใช้ได้จริง
คุณจะต้องเรียนรู้ภาษาโปรแกรมเช่น Python หรือ R และฝึกฝนหลักการของคณิตศาสตร์และสถิติ ความรู้เกี่ยวกับวิธีการวิเคราะห์ข้อมูลและเครื่องมือ data science ก็จำเป็นเช่นกัน มีหลายวิธีในการเรียน data science นอกจากการศึกษาแบบเป็นทางการ เช่น ปริญญาหรือการเรียนในมหาวิทยาลัย ยังมีแหล่งข้อมูลอื่น ๆ อีกมากมายที่ช่วยให้คุณเรียนในจังหวะของตัวเอง ทั้งคอร์สออนไลน์ บทช่วยสอน หนังสือ วิดีโอ และอื่น ๆ
นอกจากความรู้ด้านคณิตศาสตร์และสถิติแล้ว นักวิทยาศาสตร์ข้อมูลยังต้องมีทักษะการเขียนโปรแกรมในภาษาเช่น Python, R และ SQL วิทยาศาสตร์ข้อมูลยังต้องการความสามารถในการทำงานกับชุดข้อมูลขนาดใหญ่ ความรู้ด้าน data visualization การจัดการข้อมูล และการจัดการฐานข้อมูล ทักษะด้าน machine learning และ deep learning ก็อาจเป็นประโยชน์เช่นกัน
ในแง่วิชาชีพ เกือบทุกอุตสาหกรรมสามารถใช้ data science ได้ในระดับหนึ่ง องค์กรด้านสุขภาพใช้ data science เพื่อตรวจจับและรักษาโรค ในขณะที่บริษัทการเงินใช้เพื่อตรวจจับและป้องกันการฉ้อโกง ทุกประเภทอุตสาหกรรมใช้ data science สำหรับการตลาด เช่น การสร้างระบบแนะนำและการวิเคราะห์การสูญเสียลูกค้า
ใช่ วิทยาศาสตร์ข้อมูลเป็นหนึ่งในภาคส่วนที่เติบโตเร็วที่สุดทั้งในสหรัฐอเมริกาและทั่วโลก และยังเป็นหนึ่งในอาชีพที่มีรายได้สูงที่สุดอีกด้วย จากข้อมูลของ Payscale นักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์มีรายได้เฉลี่ย $97,609 และได้รับคะแนนความพึงพอใจสี่ดาวจากห้าดาวในสหรัฐอเมริกา
มีสิ่งสองสามอย่างที่ต้องพิจารณา ประการแรก ปริญญาด้าน data science อาจมีการแข่งขันสูงในการเข้าเรียน มักต้องการเกรดที่ดีอย่างสม่ำเสมอ ในทำนองเดียวกัน ทักษะหลายอย่างที่จำเป็นสำหรับ data science ต้องการการศึกษาและความอดทนมาก อาจใช้เวลาหลายเดือนเพื่อฝึกฝนพื้นฐานที่จำเป็นทั้งหมด รวมถึงประสบการณ์ปฏิบัติจริงมากมายเพื่อให้ได้ตำแหน่งระดับเริ่มต้น
ใช่ คุณจะต้องมีประสบการณ์เขียนโค้ดในภาษาต่างๆ เช่น Python, R, SQL, Java และ C/C++ อย่างไรก็ตาม เนื่องจาก Python มีไวยากรณ์ที่ค่อนข้างเรียบง่าย จึงมักเป็นตัวเลือกแรกสำหรับผู้เริ่มต้น
สำหรับผู้ที่ไม่มีประสบการณ์การเขียนโค้ดและ/หรือพื้นฐานคณิตศาสตร์มาก่อน โดยทั่วไปอาจต้องใช้เวลาศึกษาอย่างเข้มข้น 7 ถึง 12 เดือนเพื่อให้ถึงระดับนักวิทยาศาสตร์ข้อมูลมือใหม่ อย่างไรก็ตาม สิ่งสำคัญที่ต้องจำไว้คือการเรียนรู้เพียงแค่ทฤษฎีของวิทยาศาสตร์ข้อมูลอาจยังไม่เพียงพอที่จะทำให้คุณเป็นนักวิทยาศาสตร์ข้อมูลที่แท้จริง
เมื่อเชี่ยวชาญพื้นฐานด้านวิทยาศาสตร์ข้อมูลแล้ว คุณสามารถเจาะลึกในสาขาที่หลากหลาย ไม่ว่าจะเป็น machine learning, ปัญญาประดิษฐ์, การวิเคราะห์ข้อมูลขนาดใหญ่, business analytics, data mining และอื่นๆ อีกมากมาย
เรียนรู้ได้ทุกที่ด้วยคอร์สบนมือถือและโจทย์เขียนโค้ด 5 นาทีประจำวัน