پایه های علوم داده ها: اصول

علم داده ها یک انقلاب جهانی را رانندگی می کند که همه چیز را از اتوماسیون کسب و کار به تعامل اجتماعی متصل می کند. این نیز یکی از سریعترین حرفه های رشد، بیشترین بهره وری، استفاده از تحلیلگران و مهندسان در سراسر جهان است. این دوره یک مرور کلی، غیر فنی از زمینه را فراهم می کند، پوشش واژگان، مهارت ها، مشاغل، ابزار و تکنیک های علوم داده را پوشش می دهد. مربی بارتون پولوسون، روابط را با سایر زمینه های اشباع داده ها مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوه های اولیه را بررسی می کند: جمع آوری و تجزیه و تحلیل داده ها، فرمول بندی قوانین طبقه بندی و تصمیم گیری و طراحی بینش عملیاتی. او همچنین درباره اخلاق و پاسخگویی بحث می کند و جهت یادگیری بیشتر را فراهم می کند. در نهایت، خواهید دید که چگونه علم اطلاعات می تواند به شما کمک کند تصمیمات بهتر را به دست آورید، بینش های عمیق تر را به دست آورید و کار خود را موثرتر و کارآمد تر کنید.

عنوان اصلی : Data Science Foundations: Fundamentals

سرفصل های دوره :

مقدمه:
شروع به کار
1. علم داده چیست؟ :
عرضه و تقاضا برای علوم داده
Diagram Diagram Data
مسیر اطلاعات علمی
مدل CRISP-DM در علوم داده
نقش ها و تیم ها در علوم داده
نقش سوالات در علوم داده
2. محل علم داده ها در جهان داده ها:
هوش مصنوعی
یادگیری ماشین
شبکه های عصبی یادگیری عمیق
داده های بزرگ
تجزیه و تحلیل پیش بینی شده
تجزیه و تحلیل های تجویزی
اطلاعات کسب و کار
3. اخلاق و آژانس:
تعصب
امنیت
حقوقی
توضیح AI
آژانس الگوریتم ها و تصمیم گیرندگان
4. منابع داده ها:
آماده سازی داده ها
اطلاعات برچسب گذاری
اطلاعات داخلی
داده های باز
APIs
داده های خرابکاری
ایجاد داده ها
مجموعه منفعل از داده های آموزشی
داده های خود تولید شده
فروشندگان داده
اخلاق داده
5. منابع قوانین:
شمارش قوانین صریح
حذف قوانین از تجزیه و تحلیل داده ها
نسل قوانین ضمنی
6. ابزار علوم داده ها:
برنامه های کاربردی برای تجزیه و تحلیل داده ها
زبان های اطلاعاتی
Automl
یادگیری ماشین به عنوان یک سرویس
7. ریاضیات برای علوم داده ها:
نمونه برداری و احتمال
جبر
Calculus
بهینه سازی و انفجار ترکیبی
قضیه Bayes
8. یادگیری بی نظیر:
نظارت بر یادگیری Unspervised
تجزیه و تحلیل توصیفی
خوشه بندی
کاهش ابعاد
تشخیص آنومالی
9. یادگیری تحت نظارت :
یادگیری تحت نظارت با مدل های پیش بینی شده
داده های سری زمانی
طبقه بندی
ویژگی انتخاب و ایجاد
جمع آوری مدل ها
مدل های معتبر
10: روش های مولد در علوم داده:
شبکه های تبلیغاتی مولد (GANS)
یادگیری تقویت
11. اقدام به علم داده ها:
اهمیت تفسیر پذیری
روش های قابل تفسیر
بینش عملیاتی
نتیجه گیری:
مراحل بعدی و منابع اضافی