คอร์ส
การสร้างโมเดลด้วยข้อมูลใน Tidyverse
- ระดับกลางระดับทักษะ
- 4.8+
- 254 รีวิว
เรียนรู้ประเภทต่าง ๆ ใน data modeling รวมถึงการทำนาย พร้อมฝึก linear regression และการประเมินโมเดลใน Tidyverse
ความน่าจะเป็นและสถิติ
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
เรียนรู้ประเภทต่าง ๆ ใน data modeling รวมถึงการทำนาย พร้อมฝึก linear regression และการประเมินโมเดลใน Tidyverse
ความน่าจะเป็นและสถิติ
คอร์ส
Shiny is an R package that makes it easy to build interactive web apps directly in R, allowing your team to explore your data as dashboards or visualizations.
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้การใช้แพ็กเกจ Bioconductor ที่จำเป็นสำหรับชีวสารสนเทศด้วยชุดข้อมูลจากไวรัส เชื้อรา มนุษย์ และพืช!
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้การทำ inference ด้วย linear models ในหลักสูตรนี้
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้การออกแบบการทดลองขั้นพื้นฐาน ทักษะสำคัญสำหรับการวิเคราะห์ข้อมูล
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
Learn how to use tree-based models and ensembles to make classification and regression predictions with tidymodels.
Machine Learning
คอร์ส
Master time series data manipulation in R, including importing, summarizing and subsetting, with zoo, lubridate and xts.
การจัดการข้อมูล
คอร์ส
Manage the complexity in your code using object-oriented programming with the S3 and R6 systems.
การพัฒนาซอฟต์แวร์
คอร์ส
Learn the basics of cash flow valuation, work with human mortality data and build life insurance products in R.
การเงินประยุกต์
คอร์ส
เรียนรู้เทคนิคหลักที่จำเป็นในการดึงข้อมูลเชิงลึกที่มีความหมายจากข้อมูลอนุกรมเวลา
ความน่าจะเป็นและสถิติ
คอร์ส
ใช้การวิเคราะห์การแสดงออกเชิงแตกต่างของ RNA-Seq เพื่อระบุยีนที่น่าจะสำคัญต่อโรคหรือภาวะต่างๆ
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้พื้นฐานของการแยกวิเคราะห์ จัดการ และคำนวณวันที่และเวลาใน R
การพัฒนาซอฟต์แวร์
คอร์ส
This course provides an intro to clustering and dimensionality reduction in R from a machine learning perspective.
Machine Learning
คอร์ส
เรียนรู้การทำงานกับข้อมูล time-to-event. เหตุการณ์อาจเป็นการเสียชีวิตหรือการได้งานหลังว่างงาน เรียนรู้การประมาณค่า แสดงภาพ และตีความแบบจำลองการรอดชีพ!
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้แนวคิดหลักของ machine learning พร้อมวิธีสร้างและประเมิน predictive models
Machine Learning
คอร์ส
Become an expert in fitting ARIMA (autoregressive integrated moving average) models to time series data using R.
ความน่าจะเป็นและสถิติ
คอร์ส
วิเคราะห์ข้อมูลข้อความใน R ด้วยเฟรมเวิร์ก tidy
การจัดการข้อมูล
คอร์ส
ขยายชุดเครื่องมือ regression ด้วยหลักสูตร Generalized Linear Model ครอบคลุม logistic regression และ Poisson regression
ความน่าจะเป็นและสถิติ
คอร์ส
เข้าใจการทำงานของ hierarchical และ k-means clustering พร้อมนำไปใช้ค้นหาอินไซต์จากข้อมูลของคุณ
Machine Learning
คอร์ส
เรียนรู้การสร้างแดชบอร์ดแบบโต้ตอบด้วย R โดยใช้แพ็กเกจ shinydashboard อันทรงพลัง สร้างภาพข้อมูลเชิงโต้ตอบที่น่าสนใจสำหรับผู้ชมของคุณ
การรายงาน
คอร์ส
In this course you will learn to fit hierarchical models with random effects.
ความน่าจะเป็นและสถิติ
คอร์ส
Learn how to pull character strings apart, put them back together and use the stringr package.
การพัฒนาซอฟต์แวร์
คอร์ส
ใช้ทักษะการจัดการข้อมูลและการสร้างภาพข้อมูลเพื่อสำรวจการลงคะแนนเสียงในอดีตของสมัชชาใหญ่แห่งสหประชาชาติ
การวิเคราะห์ข้อมูลเชิงสำรวจ
คอร์ส
เรียนรู้การออกแบบแบบสำรวจด้วยโครงสร้างการออกแบบทั่วไป จากนั้นแสดงผลและวิเคราะห์ผลลัพธ์แบบสำรวจ
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้ว่า Bayesian data analysis คืออะไร ทำงานอย่างไร และทำไมจึงเป็นเครื่องมือที่มีประโยชน์ในชุดเครื่องมือ data science ของคุณ
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้วิธีสร้างแผนที่เว็บแบบโต้ตอบได้อย่างง่ายดายด้วย leaflet
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
เชี่ยวชาญแนวคิดหลักของการจัดการข้อมูล เช่น การกรอง การเลือก และการคำนวณสถิติแบบกลุ่มด้วย data.table
การจัดการข้อมูล
คอร์ส
เรียนรู้พื้นฐานของการทดสอบ A/B ใน R รวมถึงการออกแบบการทดลอง วิเคราะห์ข้อมูล คาดการณ์ผลลัพธ์ และนำเสนอผลผ่านการแสดงผลข้อมูลด้วยภาพ
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้การอ่าน สำรวจ และจัดการข้อมูลเชิงพื้นที่ พร้อมสร้างแผนที่สื่อสารข้อมูลด้วย R
การแสดงผลข้อมูลเป็นภาพ
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