คอร์ส
การออกแบบการทดลองด้วย Python
- ระดับกลางระดับทักษะ
- 4.7+
- 2,040 รีวิว
ออกแบบการทดลองและวิเคราะห์สถิติอย่างแม่นยำ เพื่อสรุปผลที่ถูกต้องและน่าเชื่อถือ!
ความน่าจะเป็นและสถิติ
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
ออกแบบการทดลองและวิเคราะห์สถิติอย่างแม่นยำ เพื่อสรุปผลที่ถูกต้องและน่าเชื่อถือ!
ความน่าจะเป็นและสถิติ
คอร์ส
สร้างและปรับใช้เว็บแอปและฟังก์ชันแบบ serverless ที่ปรับขนาดได้บน Azure พร้อมเชี่ยวชาญด้านความปลอดภัย การมอนิเตอร์ และระบบอัตโนมัติ
Cloud
คอร์ส
สร้าง data pipelines แบบ end-to-end — ตั้งแต่การทำความสะอาดและการรวมข้อมูล ไปจนถึง streaming และ orchestration
วิศวกรรมข้อมูล
คอร์ส
เรียนรู้การทำงานกับ Plain Old Java Objects เชี่ยวชาญ Collections Framework และจัดการข้อยกเว้นอย่างมืออาชีพ พร้อม logging รองรับทุกอย่าง!
การพัฒนาซอฟต์แวร์
คอร์ส
ในคอร์ส 4 ชั่วโมงนี้ คุณจะได้เรียนรู้พื้นฐานการวิเคราะห์ข้อมูลอนุกรมเวลาใน Python
ความน่าจะเป็นและสถิติ
คอร์ส
ปรับ DataFrame จากรูปแบบกว้างเป็นยาว ซ้อนและแยกแถวและคอลัมน์ และจัดการ DataFrame แบบหลายดัชนี
การจัดการข้อมูล
คอร์ส
เรียนรู้การดึงและแยกวิเคราะห์ข้อมูลจากอินเทอร์เน็ตด้วยไลบรารี Python scrapy
การเตรียมข้อมูล
คอร์ส
เรียนรู้วิธีสร้างรายงานและแดชบอร์ด SQL ของคุณเอง พร้อมฝึกทักษะการสำรวจข้อมูล การทำความสะอาด และการตรวจสอบข้อมูลให้คมขึ้น
การรายงาน
คอร์ส
ฝึกทักษะสำคัญด้วย Scikit-learn, SHAP และ LIME เพื่อทดสอบและสร้างระบบ AI ที่โปร่งใส น่าเชื่อถือ และตรวจสอบได้
ปัญญาประดิษฐ์
คอร์ส
This course equips security and data protection leaders with strategies to securely manage AI within their organizations.
Cloud
คอร์ส
Master sampling to get more accurate statistics with less data.
ความน่าจะเป็นและสถิติ
คอร์ส
This course helps your preparation for the Associate Cloud Engineer exam, learn about the Google Cloud domains in the exam and create a study plan.
Cloud
คอร์ส
ในคอร์สนี้ คุณจะได้เรียนรู้พื้นฐานของแมชชีนเลิร์นนิงสำหรับการจำแนกประเภท
Machine Learning
คอร์ส
เรียนรู้การเขียนโค้ด R ให้เร็วขึ้น ค้นพบการทำ benchmarking และ profiling และปลดล็อกความลับของการเขียนโปรแกรมแบบขนาน
การพัฒนาซอฟต์แวร์
คอร์ส
เชี่ยวชาญการสร้างหลายขั้นตอน เครื่องมือเครือข่าย Docker และ Docker Compose เพื่อแอปคอนเทนเนอร์ที่ดีที่สุด!
การพัฒนาซอฟต์แวร์
คอร์ส
Go beyond MCP basics with sampling, notifications, roots, and the STDIO and StreamableHTTP transports in Python.
ปัญญาประดิษฐ์
คอร์ส
เรียนรู้การนำกลยุทธ์การเทรดแบบกำหนดเองไปใช้ใน Python ทดสอบย้อนหลัง และประเมินประสิทธิภาพของมัน!
การเงินประยุกต์
คอร์ส
ปลดล็อกพลังของ BigQuery: เข้าใจพื้นฐาน รันคิวรี และปรับเวิร์กโฟลว์ให้เหมาะสมเพื่อการวิเคราะห์ข้อมูลอย่างมีประสิทธิภาพ
วิศวกรรมข้อมูล
คอร์ส
เรียนรู้พื้นฐานของโครงข่ายประสาทเทียมและวิธีสร้างโมเดล deep learning ด้วย Keras 2.0 ใน Python
ปัญญาประดิษฐ์
คอร์ส
เรียนรู้การใช้ A/B testing ใน Python เพื่อทำและวิเคราะห์การทดลองจริง เชี่ยวชาญ p-values, sanity checks และการวิเคราะห์ เพื่อประกอบการตัดสินใจทางธุรกิจ
ความน่าจะเป็นและสถิติ
คอร์ส
ดำดิ่งสู่โลกของ machine learning และค้นพบวิธีออกแบบ ฝึกสอน และนำโมเดล end-to-end ไปใช้งาน
Machine Learning
คอร์ส
เรียนรู้พื้นฐานของ gradient boosting และสร้างโมเดล machine learning ชั้นนำด้วย XGBoost เพื่อแก้ปัญหาการจำแนกประเภทและการถดถอย
Machine Learning
คอร์ส
ฝึกทักษะการประมวลผล แปลง และปรับแต่งภาพได้ตามต้องการ
Machine Learning
คอร์ส
ยกระดับทักษะ Java ของคุณด้วยการจัดการไฟล์ ประมวลผลข้อมูล และสร้างโค้ดที่สะอาด ใช้ซ้ำได้ ด้วยเทคนิคจากงานจริง
การพัฒนาซอฟต์แวร์
คอร์ส
ในหลักสูตรนี้ คุณจะได้รู้จักการเรียนรู้แบบไม่มีผู้สอนผ่านเทคนิคอย่าง hierarchical clustering และ k-means clustering โดยใช้ไลบรารี SciPy
Machine Learning
คอร์ส
เรียนรู้พื้นฐานของการตรวจสอบความถูกต้องของโมเดล เทคนิคการตรวจสอบ และเริ่มสร้างโมเดลที่ผ่านการตรวจสอบและมีประสิทธิภาพสูง
Machine Learning
คอร์ส
สร้างพื้นฐานที่คุณต้องใช้เพื่อคิดเชิงสถิติและสื่อสารด้วยภาษาของข้อมูลของคุณ
ความน่าจะเป็นและสถิติ
คอร์ส
Build autonomous Cortex Agents in Snowflake that query structured and unstructured data, then deploy and monitor them.
ปัญญาประดิษฐ์
คอร์ส
เรียนรู้แนวคิดพื้นฐานของความน่าจะเป็น เช่น ตัวแปรสุ่ม ค่าเฉลี่ยและความแปรปรวน การแจกแจงความน่าจะเป็น และความน่าจะเป็นแบบมีเงื่อนไข
ความน่าจะเป็นและสถิติ
คอร์ส
หลักสูตรนี้เป็นบทนำสู่พีชคณิตเชิงเส้น หนึ่งในหัวข้อคณิตศาสตร์ที่สำคัญที่สุดซึ่งเป็นพื้นฐานของวิทยาการข้อมูล
ความน่าจะเป็นและสถิติ
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