คอร์ส
โครงสร้างข้อมูลและอัลกอริทึมใน Python
- ขั้นสูงระดับทักษะ
- 4.7+
- 1,306 รีวิว
สำรวจโครงสร้างข้อมูล เช่น linked lists, stacks, queues, hash tables และ graphs; พร้อมอัลกอริทึมค้นหาและจัดเรียง!
การพัฒนาซอฟต์แวร์
ดูวิดีโอสั้นๆ ที่นำโดยผู้สอนผู้เชี่ยวชาญ แล้วฝึกฝนสิ่งที่คุณเรียนรู้ด้วยแบบฝึกหัดเชิงโต้ตอบในเบราว์เซอร์ของคุณ
หรือ
คอร์ส
สำรวจโครงสร้างข้อมูล เช่น linked lists, stacks, queues, hash tables และ graphs; พร้อมอัลกอริทึมค้นหาและจัดเรียง!
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้วิธีนำเวิร์กโฟลว์วิศวกรรมข้อมูลไปใช้งานและกำหนดเวลาใช้งาน
วิศวกรรมข้อมูล
คอร์ส
สร้างระบบหลายเอเจนต์อันทรงพลังด้วยการประยุกต์ใช้รูปแบบการออกแบบเอเจนต์ที่กำลังเกิดขึ้นในเฟรมเวิร์ก LangGraph
ปัญญาประดิษฐ์
คอร์ส
เชี่ยวชาญฟีเจอร์ขั้นสูงของ Git เพื่อปรับเวิร์กโฟลว์ data science และ engineering ให้คล่องขึ้น ตั้งแต่การ merge ซับซ้อนไปจนถึงการ optimize โปรเจกต์ขนาดใหญ่
การพัฒนาซอฟต์แวร์
คอร์ส
เชี่ยวชาญการทดสอบ Python: เรียนรู้วิธีการ สร้างการตรวจสอบ และทำให้โค้ดปราศจากข้อผิดพลาดด้วย pytest และ unittest
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้พื้นฐานการทำงานกับ big data ด้วย PySpark
วิศวกรรมข้อมูล
คอร์ส
เรียนรู้การสร้างคลาสและใช้ inheritance กับ polymorphism เพื่อใช้ซ้ำและเพิ่มประสิทธิภาพโค้ดอย่างรวดเร็ว
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้การใช้ AI เป็นพาร์ตเนอร์วิศวกรรมอาวุโสสำหรับการวิเคราะห์โค้ด การเพิ่มประสิทธิภาพ ความปลอดภัย และการตัดสินใจด้านสถาปัตยกรรมซอฟต์แวร์
ปัญญาประดิษฐ์
คอร์ส
เรียนรู้วิธีใช้ MLflow เพื่อทำให้ความซับซ้อนของการสร้างแอปพลิเคชันแมชชีนเลิร์นนิงง่ายขึ้น สำรวจ MLflow tracking, projects, models และ model registry.
Machine Learning
คอร์ส
ใช้ PyTorch กับภาพและโมเดล deep learning สำหรับการตรวจจับวัตถุด้วย bounding boxes และการสร้าง image segmentation
ปัญญาประดิษฐ์
คอร์ส
ยกระดับทักษะ dbt ของคุณด้วยคอร์สลงมือทำนี้ ออกแบบมาสำหรับวิศวกรข้อมูลและผู้เชี่ยวชาญด้านการวิเคราะห์ข้อมูล
วิศวกรรมข้อมูล
คอร์ส
พัฒนาทักษะ OOP ของคุณด้วย descriptors, multilevel inheritance และ abstract base classes!
การพัฒนาซอฟต์แวร์
คอร์ส
อะไรทำให้ LLMs ทำงาน? ค้นพบว่า transformers ปฏิวัติการสร้างแบบจำลองข้อความและจุดชนวนการเติบโตของ generative AI ได้อย่างไร
ปัญญาประดิษฐ์
คอร์ส
ในคอร์สนี้ คุณจะได้สำรวจเฟรมเวิร์ก MLOps สมัยใหม่ ครอบคลุมวงจรชีวิตและการนำโมเดลแมชชีนเลิร์นนิงไปใช้งาน
Machine Learning
คอร์ส
เรียนรู้การใช้ FastAPI เพื่อพัฒนา API ที่รองรับโมเดล AI สร้างขึ้นเพื่อตอบโจทย์ความต้องการจริงในโลกจริง
ปัญญาประดิษฐ์
คอร์ส
หลักสูตรนี้เน้นการสร้างฟีเจอร์และแมชชีนเลิร์นนิงสำหรับข้อมูลอนุกรมเวลา
Machine Learning
คอร์ส
เริ่มต้นเส้นทางการเรียนรู้ reinforcement learning ของคุณ! เรียนรู้ว่าเอเจนต์สามารถเรียนรู้การแก้ปัญหาสภาพแวดล้อมผ่านการโต้ตอบได้อย่างไร
ปัญญาประดิษฐ์
คอร์ส
ค้นพบโลกอันน่าตื่นเต้นของ Deep Learning for Text ด้วย PyTorch และปลดล็อกความเป็นไปได้ใหม่ๆ ในการประมวลผลภาษาธรรมชาติและการสร้างข้อความ
ปัญญาประดิษฐ์
คอร์ส
Prepare for the Google Cloud Professional Data Engineer certification with diagnostic questions covering migration, storage, analytics, and automation.
Cloud
คอร์ส
ยกระดับการพัฒนา Machine Learning ของคุณด้วย CI/CD โดยใช้ GitHub Actions และ Data Version Control
Machine Learning
คอร์ส
คำนวณมาตรวัดความเสี่ยงและผลตอบแทน พร้อมสร้างพอร์ตโฟลิโอที่เหมาะสมกับระดับความเสี่ยงและผลตอบแทนที่ต้องการ
การเงินประยุกต์
คอร์ส
เรียนรู้วิธีจัดการข้อมูลและสร้างชุดฟีเจอร์แมชชีนเลิร์นนิงใน Spark โดยใช้ SQL ใน Python
การจัดการข้อมูล
คอร์ส
เรียนรู้เทคนิคสำคัญเพื่อเพิ่มประสิทธิภาพ Java ตั้งแต่ประสิทธิภาพอัลกอริทึมไปจนถึงการปรับแต่ง JVM และมัลติเธรดดิ้ง
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้วิธีแปลงข้อมูลดิบให้เป็นโมเดลที่สะอาดและเชื่อถือได้ด้วย dbt ผ่านแบบฝึกหัดลงมือทำจากสถานการณ์จริง
วิศวกรรมข้อมูล
คอร์ส
เรียนรู้การเขียนเทสต์ที่มีประสิทธิภาพใน Java ด้วย JUnit และ Mockito เพื่อสร้างแอปที่แข็งแกร่งและเชื่อถือได้อย่างมั่นใจ
การพัฒนาซอฟต์แวร์
คอร์ส
เรียนรู้วิธีทำความสะอาดข้อมูลด้วย Apache Spark ใน Python
การเตรียมข้อมูล
คอร์ส
เรียนรู้วิธีสร้างเอเจนต์อัจฉริยะที่คิดวิเคราะห์ ลงมือทำ และแก้ปัญหางานจริงด้วย Python
ปัญญาประดิษฐ์
คอร์ส
สร้าง DAG ด้วย TaskFlow API, การจัดตารางแบบอิงแอสเซ็ต, และ deferrable sensors พร้อมรันไปป์ไลน์ SQL ETL แบบ end-to-end พร้อมการตรวจสอบคุณภาพ
วิศวกรรมข้อมูล
คอร์ส
ในคอร์สแบบอินเทอร์แอคทีฟนี้ คุณจะได้เรียนรู้วิธีใช้ฟังก์ชันสำหรับการคำนวณใน Tableau และเมื่อใดควรใช้ฟังก์ชันเหล่านั้น!
การแสดงผลข้อมูลเป็นภาพ
คอร์ส
เตรียมความพร้อมสำหรับการสัมภาษณ์งานเขียนโค้ดด้วย Python
การพัฒนาซอฟต์แวร์
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