Courses
Hyperparameter Tuning in R
- ขั้นสูงระดับทักษะ
- 4.2+
- 203
Learn how to tune your models hyperparameters to get the best predictive results.
การเรียนรู้ของเครื่อง
หลักสูตรด้านข้อมูล ปัญญาประดิษฐ์ และคลาวด์
ฝึกฝนทักษะที่สำคัญติดตามวิดีโอสั้นๆ ที่นำเสนอโดยผู้เชี่ยวชาญ จากนั้นฝึกฝนสิ่งที่คุณได้เรียนรู้ด้วยแบบฝึกหัดแบบโต้ตอบในเบราว์เซอร์ของคุณ
- เรียนรู้ตามจังหวะของคุณเอง
- รับประสบการณ์จริง
- บทเรียนขนาดพอดีคำที่สมบูรณ์
79 Courses
Courses
Foundations of Inference in Python
- ขั้นสูงระดับทักษะ
- 4.4+
- 195
Get hands-on experience making sound conclusions based on data in this four-hour course on statistical inference in Python.
ความน่าจะเป็นและสถิติ
Courses
Survival Analysis in Python
- ขั้นสูงระดับทักษะ
- 4.6+
- 194
Use survival analysis to work with time-to-event data and predict survival time.
ความน่าจะเป็นและสถิติ
Courses
Designing Forecasting Pipelines for Production
- ขั้นสูงระดับทักษะ
- 4.4+
- 193
Learn how to design, automate, and monitor scalable forecasting pipelines in Python.
การเรียนรู้ของเครื่อง
Courses
Efficient AI Model Training with PyTorch
- ขั้นสูงระดับทักษะ
- 4.6+
- 166
Learn how to reduce training times for large language models with Accelerator and Trainer for distributed training
ปัญญาประดิษฐ์
Courses
GARCH Models in R
- ขั้นสูงระดับทักษะ
- 4.5+
- 160
Specify and fit GARCH models to forecast time-varying volatility and value-at-risk.
การเงินประยุกต์
Courses
Handling Missing Data with Imputations in R
- ขั้นสูงระดับทักษะ
- 4.6+
- 158
Diagnose, visualize and treat missing data with a range of imputation techniques with tips to improve your results.
การจัดการข้อมูล
Courses
Structural Equation Modeling with lavaan in R
- ขั้นสูงระดับทักษะ
- 4.8+
- 153
Learn how to create and assess measurement models used to confirm the structure of a scale or questionnaire.
ความน่าจะเป็นและสถิติ
Courses
Differential Expression Analysis with limma in R
- ขั้นสูงระดับทักษะ
- 4.5+
- 147
Learn to use the Bioconductor package limma for differential gene expression analysis.
ความน่าจะเป็นและสถิติ
Courses
Discrete Event Simulation in Python
- ขั้นสูงระดับทักษะ
- 4.6+
- 138
Discover the power of discrete-event simulation in optimizing your business processes. Learn to develop digital twins using Pythons SimPy package.
ความน่าจะเป็นและสถิติ
Courses
Practicing Statistics Interview Questions in R
- ขั้นสูงระดับทักษะ
- 4.4+
- 117
In this course, youll prepare for the most frequently covered statistical topics from distributions to hypothesis testing, regression models, and much more.
ความน่าจะเป็นและสถิติ
Courses
Advanced AI-Assisted Coding for Developers
- ขั้นสูงระดับทักษะ
- 4.8+
- 104
Learn to use AI as a senior engineering partner for code analysis, performance optimization, security, and software architecture decisions.
ปัญญาประดิษฐ์
Courses
Intermediate Network Analysis in Python
- ขั้นสูงระดับทักษะ
- 4.5+
- 104
Analyze time series graphs, use bipartite graphs, and gain the skills to tackle advanced problems in network analytics.
ความน่าจะเป็นและสถิติ
Courses
Data Privacy and Anonymization in Python
- ขั้นสูงระดับทักษะ
- 4.9+
- 89
Learn to process sensitive information with privacy-preserving techniques.
การเรียนรู้ของเครื่อง
Courses
Bayesian Regression Modeling with rstanarm
- ขั้นสูงระดับทักษะ
- 4.6+
- 86
Learn how to leverage Bayesian estimation methods to make better inferences about linear regression models.
ความน่าจะเป็นและสถิติ
Courses
Bayesian Modeling with RJAGS
- ขั้นสูงระดับทักษะ
- 4.8+
- 82
In this course, youll learn how to implement more advanced Bayesian models using RJAGS.
ความน่าจะเป็นและสถิติ
Courses
Choice Modeling for Marketing in R
- ขั้นสูงระดับทักษะ
- 4.8+
- 77
Learn to analyze and model customer choice data in R.
ความน่าจะเป็นและสถิติ
Courses
Machine Translation with Keras
- ขั้นสูงระดับทักษะ
- 4.1+
- 66
Are you curious about the inner workings of the models that are behind products like Google Translate?
ปัญญาประดิษฐ์
Courses
Scalable Data Processing in R
- ขั้นสูงระดับทักษะ
- 4.6+
- 40
Learn how to write scalable code for working with big data in R using the bigmemory and iotools packages.
การพัฒนาซอฟต์แวร์
FAQs
วิทยาศาสตร์ข้อมูลคืออะไร?
วิทยาศาสตร์ข้อมูลเป็นสาขาความเชี่ยวชาญที่มุ่งเน้นการดึงข้อมูลจากข้อมูล โดยใช้ทักษะการเขียนโปรแกรม วิธีการทางวิทยาศาสตร์ อัลกอริทึม และอื่นๆ นักวิทยาศาสตร์ข้อมูลจะวิเคราะห์ข้อมูลเพื่อสร้างข้อมูลเชิงลึกที่นำไปสู่การปฏิบัติได้
ฉันจะเรียนรู้ด้านวิทยาศาสตร์ข้อมูลได้อย่างไร?
คุณจะต้องเรียนรู้ภาษาโปรแกรม เช่น Python หรือ R และเชี่ยวชาญหลักการทางคณิตศาสตร์และสถิติ ความรู้เกี่ยวกับวิธีการวิเคราะห์ข้อมูลและเครื่องมือวิทยาศาสตร์ข้อมูลก็มีความสำคัญเช่นกัน มีหลายวิธีในการเรียนรู้วิทยาศาสตร์ข้อมูล นอกเหนือจากวิธีการศึกษาอย่างเป็นทางการ เช่น ปริญญาหรือการเรียนในมหาวิทยาลัยแล้ว ยังมีแหล่งข้อมูลอื่นๆ อีกมากมายที่จะช่วยให้คุณเรียนรู้ได้ด้วยตนเอง นอกเหนือจากหลักสูตรออนไลน์และบทเรียนต่างๆ แล้ว ยังมีหนังสือ วิดีโอ และอื่นๆ อีกมากมาย
ทักษะใดบ้างที่จำเป็นสำหรับงานด้านวิทยาศาสตร์ข้อมูล?
นอกจากความรู้ด้านคณิตศาสตร์และสถิติแล้ว นักวิทยาศาสตร์ข้อมูลยังต้องการทักษะการเขียนโปรแกรมในภาษาต่างๆ เช่น Python, R และ SQL นอกจากนี้ วิทยาศาสตร์ข้อมูลยังต้องการความสามารถในการทำงานกับชุดข้อมูลขนาดใหญ่ ความรู้ด้านการแสดงภาพข้อมูล การจัดการข้อมูล และการจัดการฐานข้อมูล ทักษะด้านการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกก็อาจเป็นประโยชน์เช่นกัน
ฉันสามารถใช้ศาสตร์แห่งข้อมูลเพื่ออะไรได้บ้าง?
ในเชิงวิชาชีพ แทบทุกอุตสาหกรรมสามารถนำวิทยาศาสตร์ข้อมูลมาใช้ได้ในระดับหนึ่ง องค์กรด้านการดูแลสุขภาพใช้วิทยาศาสตร์ข้อมูลในการตรวจจับและรักษาโรค ในขณะที่บริษัททางการเงินใช้เพื่อตรวจจับและป้องกันการฉ้อโกง อุตสาหกรรมทุกประเภทใช้วิทยาศาสตร์ข้อมูลเพื่อการตลาด เช่น การสร้างระบบแนะนำสินค้าและการวิเคราะห์การเลิกใช้บริการของลูกค้า
การทำงานด้านวิทยาศาสตร์ข้อมูลเป็นอาชีพที่ดีหรือไม่?
ใช่แล้ว วิทยาศาสตร์ข้อมูลเป็นหนึ่งในภาคส่วนที่เติบโตเร็วที่สุดในสหรัฐอเมริกาและทั่วโลก และยังเป็นหนึ่งในอาชีพที่ได้รับค่าตอบแทนสูงที่สุดอีกด้วย จากข้อมูลของ Payscale นักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์ได้รับเงินเดือนเฉลี่ย 97,609 ดอลลาร์ และมีคะแนนความพึงพอใจสี่ดาวจากห้าดาวในสหรัฐอเมริกา
การเป็นนักวิทยาศาสตร์ข้อมูลนั้นยากไหม?
มีหลายสิ่งที่ควรพิจารณา ประการแรก การเข้าเรียนในหลักสูตรวิทยาศาสตร์ข้อมูลนั้นมีการแข่งขันสูง มักต้องการเกรดเฉลี่ยสูงอย่างสม่ำเสมอ ในทำนองเดียวกัน ทักษะหลายอย่างที่จำเป็นสำหรับวิทยาศาสตร์ข้อมูลนั้นต้องใช้การศึกษาและความอดทนอย่างมาก อาจต้องใช้เวลาหลายเดือนในการเรียนรู้พื้นฐานที่จำเป็นทั้งหมด รวมถึงประสบการณ์ภาคปฏิบัติมากมายเพื่อที่จะได้งานในระดับเริ่มต้น
การวิเคราะห์ข้อมูลจำเป็นต้องใช้การเขียนโค้ดหรือไม่?
ใช่ คุณจะต้องมีประสบการณ์การเขียนโค้ดในภาษาต่างๆ เช่น Python, R, SQL, Java และ C/C++ อย่างไรก็ตาม เนื่องจากไวยากรณ์ที่ค่อนข้างง่าย ภาษาโปรแกรม Python จึงมักเป็นตัวเลือกที่ได้รับความนิยมในหมู่ผู้เริ่มต้น
ต้องใช้เวลานานแค่ไหนถึงจะกลายเป็นนักวิทยาศาสตร์ข้อมูล?
สำหรับผู้ที่ไม่มีประสบการณ์ด้านการเขียนโค้ดและ/หรือพื้นฐานทางคณิตศาสตร์มาก่อน โดยทั่วไปแล้วอาจต้องใช้เวลาเรียนอย่างเข้มข้น 7 ถึง 12 เดือนจึงจะอยู่ในระดับนักวิทยาศาสตร์ข้อมูลระดับเริ่มต้นได้ อย่างไรก็ตาม สิ่งสำคัญที่ควรจำไว้คือ การเรียนรู้เพียงพื้นฐานทางทฤษฎีของวิทยาศาสตร์ข้อมูลอาจไม่ทำให้คุณเป็นนักวิทยาศาสตร์ข้อมูลที่แท้จริงได้
ฉันสามารถศึกษาหัวข้ออะไรได้บ้างในสาขาวิทยาศาสตร์ข้อมูล?
เมื่อคุณเชี่ยวชาญพื้นฐานของวิทยาศาสตร์ข้อมูลแล้ว คุณสามารถเลือกที่จะเชี่ยวชาญในด้านต่างๆ ได้มากมาย เช่น การเรียนรู้ของเครื่อง ปัญญาประดิษฐ์ การวิเคราะห์ข้อมูลขนาดใหญ่ การวิเคราะห์และข่าวกรองทางธุรกิจ การขุดค้นข้อมูล และอื่นๆ อีกมากมาย
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา