คอร์ส
Modernize Infrastructure and Applications with Google Cloud
- Basicระดับทักษะ
- 4.8+
- 80 รีวิว
Modernize Infrastructure and Applications with Google Cloud
Cloud
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
Modernize Infrastructure and Applications with Google Cloud
Cloud
คอร์ส
This course will introduce the support vector machine (SVM) using an intuitive, visual approach.
Machine Learning
คอร์ส
Apply your finance and R skills to backtest, analyze, and optimize financial portfolios.
การเงินประยุกต์
คอร์ส
Learn to build recommendation engines in Python using machine learning techniques.
Machine Learning
คอร์ส
เรียนรู้การแก้ปัญหาที่ซับซ้อนขึ้นเรื่อยๆ โดยใช้การจำลองเพื่อสร้างและวิเคราะห์ข้อมูล
ความน่าจะเป็นและสถิติ
คอร์ส
ก้าวสู่ความเชี่ยวชาญด้วยการใช้ทักษะการคิดเชิงสถิติกับชุดข้อมูลจริงและดึงอินไซต์ที่นำไปใช้ได้จริงออกมา
ความน่าจะเป็นและสถิติ
คอร์ส
Learn to streamline your machine learning workflows with tidymodels.
Machine Learning
คอร์ส
เรียนรู้วิธีสร้างแผนที่เว็บแบบโต้ตอบได้อย่างง่ายดายด้วย leaflet
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
Apply statistical modeling in a real-life setting using logistic regression and decision trees to model credit risk.
การเงินประยุกต์
คอร์ส
ฝึกลงมือทำการสรุปผลอย่างแม่นยำจากข้อมูลในคอร์ส 4 ชั่วโมงนี้เกี่ยวกับการอนุมานทางสถิติใน Python
ความน่าจะเป็นและสถิติ
คอร์ส
Deploy ADK agents to production using Vertex AI Agent Engine and Cloud Run. Add persistent cross-session memory with Memory Bank.
Cloud
คอร์ส
This course introduces Google Clouds AI and machine learning (ML) capabilities, with a focus on developing both generative and predictive AI projects.
Cloud
คอร์ส
สร้าง AI agent ด้านการดูแลสุขภาพด้วย Haystack เฟรมเวิร์กโอเพนซอร์สสำหรับจัดการ LLMs และคอมโพเนนต์ภายนอก
ปัญญาประดิษฐ์
คอร์ส
เชี่ยวชาญการทำความสะอาดข้อมูลใน Java ด้วยวิธีทางสถิติ การแปลงข้อมูล และการตรวจสอบความถูกต้อง เพื่อแอปที่เชื่อถือได้
การนำเข้าและทำความสะอาดข้อมูล
คอร์ส
เชี่ยวชาญการวิเคราะห์การตลาดด้วย Tableau วิเคราะห์ประสิทธิภาพ เปรียบเทียบเกณฑ์ชี้วัด และปรับกลยุทธ์ให้เหมาะสมข้ามช่องทาง
การเตรียมข้อมูล
คอร์ส
ก้าวสู่บทบาท CFO และเรียนรู้วิธีให้คำแนะนำคณะกรรมการบริหารเกี่ยวกับตัวชี้วัดสำคัญ พร้อมสร้างประมาณการทางการเงิน
การเงินประยุกต์
คอร์ส
Learn how to design, automate, and monitor scalable forecasting pipelines in Python.
Machine Learning
คอร์ส
ทำงานกับอนุกรมผลตอบแทนปัจจัยเสี่ยง ศึกษาคุณสมบัติเชิงประจักษ์ และประมาณค่า value-at-risk
การเงินประยุกต์
คอร์ส
Learn Google Cloud essentials including computing, storage, networking, and resource management through videos and hands-on labs in this foundational course.
Cloud
คอร์ส
เรียนรู้การใช้ plotly ใน R เพื่อสร้างภาพข้อมูลแบบโต้ตอบ ยกระดับการเล่าเรื่องด้วยข้อมูลของคุณ
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
ใช้ survival analysis เพื่อทำงานกับข้อมูล time-to-event และคาดการณ์เวลาอยู่รอด
ความน่าจะเป็นและสถิติ
คอร์ส
พัฒนาทักษะ KNIME ของคุณด้วยคอร์สของเราเกี่ยวกับการแปลงข้อมูล การดำเนินการคอลัมน์ และการเพิ่มประสิทธิภาพเวิร์กโฟลว์
การเตรียมข้อมูล
คอร์ส
Explore the Stanford Open Policing Project dataset and analyze the impact of gender on police behavior using pandas.
การจัดการข้อมูล
คอร์ส
ค้นพบพลังของการจำลองเหตุการณ์ไม่ต่อเนื่องในการเพิ่มประสิทธิภาพกระบวนการทางธุรกิจของคุณ เรียนรู้การพัฒนา digital twins ด้วยแพ็กเกจ SimPy ของ Python
ความน่าจะเป็นและสถิติ
Machine Learning
คอร์ส
Learn how to manipulate, visualize, and perform statistical tests through a series of HR analytics case studies.
การวิเคราะห์ข้อมูลเชิงสำรวจ
คอร์ส
Learn to use R to develop models to evaluate and analyze bonds as well as protect them from interest rate changes.
การเงินประยุกต์
คอร์ส
Learn to develop R packages and boost your coding skills. Discover package creation benefits, practice with dev tools, and create a unit conversion package.
การพัฒนาซอฟต์แวร์
คอร์ส
In this course, you’ll learn to classify, treat and analyze time series; an absolute must, if you’re serious about stepping up as an analytics professional.
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
เรียนรู้การใช้ PostgreSQL เพื่อจัดการการวิเคราะห์อนุกรมเวลาอย่างมีประสิทธิภาพ และนำเทคนิคเหล่านี้ไปใช้กับข้อมูลจริง
การจัดการข้อมูล
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