คอร์ส
Manipulating Time Series Data in R
- ระดับกลางระดับทักษะ
- 4.8+
- 290 รีวิว
Master time series data manipulation in R, including importing, summarizing and subsetting, with zoo, lubridate and xts.
การจัดการข้อมูล
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
Master time series data manipulation in R, including importing, summarizing and subsetting, with zoo, lubridate and xts.
การจัดการข้อมูล
คอร์ส
In this course you will learn how to predict future events using linear regression, generalized additive models, random forests, and xgboost.
Machine Learning
คอร์ส
เรียนรู้การสื่อสารข้อมูลของคุณอย่างมีประสิทธิภาพด้วยภาพรวมของแผนภูมิทั่วไป ประเภทการแสดงผลข้อมูลทางเลือก และการปรับสไตล์ที่ขับเคลื่อนด้วยการรับรู้
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
ใช้การวิเคราะห์การแสดงออกเชิงแตกต่างของ RNA-Seq เพื่อระบุยีนที่น่าจะสำคัญต่อโรคหรือภาวะต่างๆ
ความน่าจะเป็นและสถิติ
คอร์ส
Learn how to make predictions about the future using time series forecasting in R including ARIMA models and exponential smoothing methods.
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้ว่า Bayesian data analysis คืออะไร ทำงานอย่างไร และทำไมจึงเป็นเครื่องมือที่มีประโยชน์ในชุดเครื่องมือ data science ของคุณ
ความน่าจะเป็นและสถิติ
คอร์ส
This course provides an intro to clustering and dimensionality reduction in R from a machine learning perspective.
Machine Learning
คอร์ส
สำรวจตัวแปรแฝง เช่น บุคลิกภาพ ด้วยการวิเคราะห์องค์ประกอบเชิงสำรวจและเชิงยืนยัน
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้พื้นฐานของการแยกวิเคราะห์ จัดการ และคำนวณวันที่และเวลาใน R
การพัฒนาซอฟต์แวร์
คอร์ส
Develop a strong intuition for how hierarchical and k-means clustering work and learn how to apply them to extract insights from your data.
Machine Learning
คอร์ส
Become an expert in fitting ARIMA (autoregressive integrated moving average) models to time series data using R.
ความน่าจะเป็นและสถิติ
คอร์ส
In this course youll learn how to perform inference using linear models.
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้การออกแบบแบบสำรวจด้วยโครงสร้างการออกแบบทั่วไป จากนั้นแสดงผลและวิเคราะห์ผลลัพธ์แบบสำรวจ
ความน่าจะเป็นและสถิติ
คอร์ส
Discover different types in data modeling, including for prediction, and learn how to conduct linear regression and model assessment measures in the Tidyverse.
ความน่าจะเป็นและสถิติ
คอร์ส
Learn how to pull character strings apart, put them back together and use the stringr package.
การพัฒนาซอฟต์แวร์
คอร์ส
วิเคราะห์ข้อมูลข้อความใน R ด้วยเฟรมเวิร์ก tidy
การจัดการข้อมูล
คอร์ส
ทำให้มองเห็น สำรวจ และเติมค่าข้อมูลที่หายไปได้ง่ายด้วย naniar แนวทางจัดการข้อมูลหายที่เป็นมิตรกับ tidyverse
การเตรียมข้อมูล
คอร์ส
This course teaches the big ideas in machine learning like how to build and evaluate predictive models.
Machine Learning
คอร์ส
The Generalized Linear Model course expands your regression toolbox to include logistic and Poisson regression.
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้การทำงานของวันที่ใน R และสำรวจโลกของคำสั่ง if, ลูป และฟังก์ชันด้วยตัวอย่างทางการเงิน
การเงินประยุกต์
คอร์ส
Learn how to efficiently collect and download data from any website using R.
การเตรียมข้อมูล
คอร์ส
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!
ความน่าจะเป็นและสถิติ
คอร์ส
Manage the complexity in your code using object-oriented programming with the S3 and R6 systems.
การพัฒนาซอฟต์แวร์
คอร์ส
ใช้ทักษะการจัดการข้อมูลและการสร้างภาพข้อมูลเพื่อสำรวจการลงคะแนนเสียงในอดีตของสมัชชาใหญ่แห่งสหประชาชาติ
การวิเคราะห์ข้อมูลเชิงสำรวจ
คอร์ส
เรียนรู้การวิเคราะห์และแสดงภาพข้อมูลเครือข่ายด้วยแพ็กเกจ igraph และสร้างกราฟเครือข่ายแบบโต้ตอบด้วย threejs
ความน่าจะเป็นและสถิติ
คอร์ส
Learn how to use tree-based models and ensembles to make classification and regression predictions with tidymodels.
Machine Learning
คอร์ส
Learn how to visualize time series in R, then practice with a stock-picking case study.
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
เตรียมพร้อมจัดหมวดหมู่! ในหลักสูตรนี้ คุณจะทำงานกับข้อมูลที่ไม่ใช่ตัวเลข เช่น ตำแหน่งงานหรือคำตอบแบบสำรวจ โดยใช้ Tidyverse landscape
การจัดการข้อมูล
คอร์ส
เรียนรู้วิธีเข้าถึงข้อมูลทางการเงินจากไฟล์ในเครื่องและจากแหล่งข้อมูลบนอินเทอร์เน็ต
การเงินประยุกต์
คอร์ส
ใช้แพ็กเกจ tidyr และ purrr ใน tidyverse เพื่อสร้าง สำรวจ และประเมินโมเดลแมชชีนเลิร์นนิง
Machine Learning
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
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา