After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
นักวิทยาศาสตร์ข้อมูลสามารถได้รับประโยชน์อย่างมากจากการเรียนรู้แนวคิดจากสาขาวิศวกรรมซอฟต์แวร์ ซึ่งช่วยให้นำโค้ดกลับมาใช้ซ้ำได้ง่ายขึ้นและแบ่งปันกับผู้ร่วมงานได้สะดวกยิ่งขึ้น ในคอร์สนี้ คุณจะได้เรียนรู้แนวคิดสำคัญอย่าง Modularity, Documentation และ Automated Testing พร้อมดูว่าแนวคิดเหล่านี้ช่วยให้แก้ปัญหา Data Science ได้เร็วขึ้นและมีประสิทธิภาพมากขึ้นได้อย่างไร นอกจากนี้ยังได้นำทักษะวิศวกรรมซอฟต์แวร์ที่ได้เรียนมาสร้าง Python package ของตัวเองสำหรับการวิเคราะห์ข้อความอีกด้วย
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
วิศวกรรมซอฟต์แวร์กับ Data Science
ในฐานะนักวิทยาศาสตร์ข้อมูล ทำไมคุณควรสนใจแนวคิดวิศวกรรมซอฟต์แวร์? บทนี้จะครอบคลุมแนวคิดวิศวกรรมซอฟต์แวร์ที่สำคัญ และอธิบายว่าแนวคิดเหล่านี้สามารถเปลี่ยนแปลงกระบวนการทำงาน Data Science ของคุณได้อย่างไร
- Python, Data Science และ Software Engineering50 XP
- แนวคิดหลัก50 XP
- การใช้งาน Modularity ของ Python ในทางปฏิบัติ100 XP
- แนะนำ packages และ documentation50 XP
- การติดตั้งแพ็กเกจด้วย pip50 XP
- การใช้ประโยชน์จากเอกสารประกอบ100 XP
- ข้อตกลงและ PEP 850 XP
- การใช้งาน pycodestyle100 XP
- ปรับโค้ดให้สอดคล้องกับ PEP 8100 XP
- PEP 8 กับการเขียน documentation100 XP
2
การเขียน Python Module
ก้าวสู่การเป็นนักพัฒนา Python package อย่างมืออาชีพด้วยการเขียน package แรกของคุณ! จะได้เรียนรู้วิธีจัดโครงสร้างและเขียนโค้ด Python ที่ติดตั้ง ใช้งาน และแจกจ่ายได้เหมือน package ชื่อดังอย่าง NumPy และ Pandas
3
การใช้งาน Classes
Object Oriented Programming เป็นหัวใจสำคัญของการพัฒนา Python การนำ Classes และ Inheritance มาใช้จะทำให้ Python package ของคุณมีความสามารถและเป็นประโยชน์ต่อผู้ใช้มากยิ่งขึ้น
4
การบำรุงรักษาโค้ด
ตอนนี้คุณมี Python package สำหรับวิเคราะห์ข้อความที่ใช้งานได้อย่างสมบูรณ์แล้ว! เพื่อให้การดูแลรักษาโปรเจกต์เป็นเรื่องง่าย บทนี้จะนำแนวปฏิบัติที่ดีที่สุดด้าน Documentation และ Unit Testing มาใช้งาน
หลักการวิศวกรรมซอฟต์แวร์ใน Python
เรียนจบแล้ว
