คอร์ส
การอนุมานสำหรับข้อมูลเชิงหมวดหมู่ใน R
- ขั้นสูงระดับทักษะ
- 4.8+
- 124 รีวิว
เรียนรู้การใช้เทคนิคทางสถิติเพื่อทำงานกับข้อมูลเชิงหมวดหมู่
ความน่าจะเป็นและสถิติ
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
เรียนรู้การใช้เทคนิคทางสถิติเพื่อทำงานกับข้อมูลเชิงหมวดหมู่
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้วิธีลดเวลาในการฝึกโมเดลภาษาขนาดใหญ่ด้วย Accelerator และ Trainer สำหรับการฝึกแบบกระจาย
ปัญญาประดิษฐ์
คอร์ส
ใช้ survival analysis เพื่อทำงานกับข้อมูล time-to-event และคาดการณ์เวลาอยู่รอด
ความน่าจะเป็นและสถิติ
คอร์ส
เรียนรู้เครื่องมือและเทคนิคเพื่อใช้ประโยชน์จากบิ๊กดาต้าของคุณเอง เพื่อสร้างประสบการณ์เชิงบวกให้ผู้ใช้ของคุณ
Machine Learning
คอร์ส
Learn how to design, automate, and monitor scalable forecasting pipelines in Python.
Machine Learning
คอร์ส
สำรวจตัวแปรแฝง เช่น บุคลิกภาพ ด้วยการวิเคราะห์องค์ประกอบเชิงสำรวจและเชิงยืนยัน
ความน่าจะเป็นและสถิติ
คอร์ส
ฝึกใช้ RNNs เพื่อวิเคราะห์อารมณ์ข้อความ สร้างประโยค และแปลภาษาข้ามภาษา
ปัญญาประดิษฐ์
คอร์ส
เรียนรู้การประมวลผลข้อมูลที่ละเอียดอ่อนด้วยเทคนิคที่คุ้มครองความเป็นส่วนตัว
Machine Learning
คอร์ส
เรียนรู้วิธีสร้างและประเมินแบบจำลองการวัดที่ใช้ยืนยันโครงสร้างของสเกลหรือแบบสอบถาม
ความน่าจะเป็นและสถิติ
คอร์ส
Diagnose, visualize and treat missing data with a range of imputation techniques with tips to improve your results.
การจัดการข้อมูล
คอร์ส
ฝึกใช้แพ็กเกจ Bioconductor limma วิเคราะห์การแสดงออกของยีนแบบแตกต่าง
ความน่าจะเป็นและสถิติ
คอร์ส
กำหนดและประมาณค่าโมเดล GARCH เพื่อพยากรณ์ความผันผวนที่เปลี่ยนแปลงตามเวลาและ value-at-risk
การเงินประยุกต์
คอร์ส
เรียนรู้วิธีใช้ประโยชน์จากวิธีการประมาณแบบเบย์เพื่ออนุมานเกี่ยวกับแบบจำลองการถดถอยเชิงเส้นได้ดียิ่งขึ้น
ความน่าจะเป็นและสถิติ
คอร์ส
ในคอร์สนี้ คุณจะได้เรียนรู้วิธีนำโมเดลเบย์เซียนขั้นสูงไปใช้ด้วย RJAGS
ความน่าจะเป็นและสถิติ
คอร์ส
In this course, youll prepare for the most frequently covered statistical topics from distributions to hypothesis testing, regression models, and much more.
ความน่าจะเป็นและสถิติ
คอร์ส
เขียนโค้ดที่ขยายขนาดได้สำหรับจัดการ big data ใน R ด้วยแพ็กเกจ bigmemory และ iotools
การพัฒนาซอฟต์แวร์
คอร์ส
Scale and manage multi-cluster GKE environments. Master fleets, Cloud Service Mesh, identity management, CI/CD at scale, and GKE Enterprise capabilities.
Cloud
คอร์ส
เรียนรู้วิธีปรับแต่งไฮเปอร์พารามิเตอร์ของโมเดลเพื่อให้ได้ผลการทำนายที่ดีที่สุด
Machine Learning
คอร์ส
เรียนรู้การวิเคราะห์และสร้างแบบจำลองข้อมูลการเลือกของลูกค้าใน R
ความน่าจะเป็นและสถิติ
คอร์ส
Develop data pipelines with Apache Beam and Dataflow. Cover transforms, windowing, I/O connectors, schemas, state APIs, Beam SQL, and notebooks.
Cloud
คอร์ส
Operate Dataflow pipelines in production. Learn monitoring, logging, troubleshooting, performance tuning, CI/CD, reliability, and templates.
Cloud
คอร์ส
คุณสงสัยเกี่ยวกับการทำงานภายในของโมเดลที่อยู่เบื้องหลังผลิตภัณฑ์อย่าง Google Translate หรือไม่?
ปัญญาประดิษฐ์
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