Διαβάστε την Επίσημη Περιγραφή

Δεξιότητες

Χρησιμοποιήστε την Python για να ορίσετε σύνολα δεδομένων και να προβλέψετε μοτίβα.

Πρότυπο παραγωγής

Δημιουργήστε στατιστικά μοντέλα - παλινδρόμηση και ταξινόμηση - τα οποία παράγουν χρήσιμες πληροφορίες από ακατέργαστα δεδομένα.

Η μεγάλη εικόνα

Μάθετε τα βασικά της μηχανικής μάθησης και εκμεταλλευτείτε τη δύναμη των δεδομένων για να προβλέψετε τι θα ακολουθήσει.

Γνωρίστε την ομάδα υποστήριξης σας

Η εκπαιδευτική μας αριστεία είναι μια κοινοτική προσπάθεια. Όταν μαθαίνετε στο GA, μπορείτε πάντα να βασίζεστε σε μια ομάδα εμπειρογνωμόνων που σας παρέχει καθοδήγηση και υποστήριξη όποτε το χρειάζεστε.

Εκπαιδευτές

Μάθετε πλαίσια, εργαλεία, λεξιλόγιο και βέλτιστες πρακτικές ποιότητας βιομηχανίας από έναν καθηγητή, του οποίου η καθημερινή εργασία περιλαμβάνει τη χρησιμοποίησή του εξειδικευμένα.

Βοηθοί διδασκαλίας

Η ανάληψη νέου υλικού δεν είναι πάντα εύκολη. Μέσα από ώρες γραφείου και άλλα κανάλια, οι Τ.Α. μας είναι εδώ για να σας δώσουν απαντήσεις, συμβουλές και πολλά άλλα.

Παραγωγούς μαθημάτων

Οι απόφοιτοι αγαπούν τους Παραγωγούς μαθήματος, οι οποίοι τους κράτησαν κίνητρο σε όλη τη διάρκεια του μαθήματος. Μπορείτε να απευθυνθείτε σε εσάς για υποστήριξη ανά πάσα στιγμή.

Δείτε τι θα μάθετε

Μονάδα 1: Σχεδιασμός έρευνας και ανάλυση διερευνητικών δεδομένων

  • Τι είναι η Επιστήμη των Δεδομένων
    • Περιγράψτε το πρόγραμμα σπουδών και καθορίστε το περιβάλλον της τάξης
    • Απαντήστε στις ερωτήσεις: "Τι είναι η Επιστήμη των Δεδομένων; Ποιοι είναι οι ρόλοι της Data Science;"
    • Ορίστε τη ροή εργασίας, τα εργαλεία και τις προσεγγίσεις που χρησιμοποιούν οι επιστήμονες των δεδομένων για την ανάλυση δεδομένων
  • Σχεδιασμός Έρευνας και Pandas
  • Καθορίστε ένα πρόβλημα και προσδιορίστε τα κατάλληλα σύνολα δεδομένων χρησιμοποιώντας τη ροή εργασιών της επιστήμης δεδομένων
  • Περπατήστε τη ροή εργασιών της επιστήμης δεδομένων χρησιμοποιώντας μια μελέτη περίπτωσης στη βιβλιοθήκη Pandas
  • Εισαγάγετε, μορφοποιήστε και καθαρίστε δεδομένα χρησιμοποιώντας τη βιβλιοθήκη Pandas
  • Στατιστικά Στοιχεία Ι
  • Χρησιμοποιήστε τις βιβλιοθήκες NumPy και Pandas για να αναλύσετε σύνολα δεδομένων χρησιμοποιώντας βασικά στατιστικά σύνολα: μέσος όρος, διάμεσος, τρόπος λειτουργίας, μέγ., Ελάχιστο, τεταρτημόριο, μεταξύ τεταρτημόριο, εύρος, διακύμανση, τυπική απόκλιση και συσχετισμός
  • Δημιουργία οπτικοποίησης δεδομένων - γραφήματα διασκορπισμού, μήτρα διασποράς, γράφημα γραμμής, κηλίδες κουτιού και ιστογράμματα - για να διακρίνουν τα χαρακτηριστικά και τις τάσεις σε ένα σύνολο δεδομένων
  • Προσδιορίστε μια κανονική κατανομή σε ένα σύνολο δεδομένων χρησιμοποιώντας συνοπτικά στατιστικά στοιχεία και οπτικοποίηση
  • Βασικές στατιστικές II
  • Εξηγήστε τη διαφορά μεταξύ αιτιότητας και συσχετισμού
  • Δοκιμάστε μια υπόθεση σε μια δοκιμαστική μελέτη περιπτώσεων
  • Επαληθεύστε τα ευρήματά σας χρησιμοποιώντας στατιστική ανάλυση (p-τιμές, διαστήματα εμπιστοσύνης)
  • Επιλογή Εκπαιδευτή
  • Επικεντρωθείτε σε ένα θέμα που επιλέγεται από τον εκπαιδευτή / τάξη για να δώσετε μια βαθύτερη εικόνα της διερευνητικής ανάλυσης δεδομένων

Μονάδα 2: Θεμελιώσεις της Μοντελοποίησης Δεδομένων

  • Εισαγωγή στην παλινδρόμηση
    • Ορίστε τη μοντελοποίηση δεδομένων και τη γραμμική παλινδρόμηση
    • Διαχωρίστε μεταξύ κατηγορικών και συνεχών μεταβλητών
    • Δημιουργήστε ένα μοντέλο γραμμικής παλινδρόμησης χρησιμοποιώντας ένα σύνολο δεδομένων που ικανοποιεί την παραδοχή της γραμμικότητας χρησιμοποιώντας τη βιβλιοθήκη scikit-learn
  • Αξιολόγηση μοντέλου προσαρμογής
  • Καθορίστε τις μετρήσεις κανονικοποίησης, μεροληψίας και σφαλμάτων.
  • Αξιολογήστε την προσαρμογή του μοντέλου χρησιμοποιώντας λειτουργίες απώλειας, συμπεριλαμβανομένου μέσου απόλυτου σφάλματος, μέσου τετραγωνικού σφάλματος, μέσου τετραγωνικού σφάλματος ρίζας
  • Επιλέξτε μεθόδους παλινδρόμησης που βασίζονται στην εφαρμογή και την πολυπλοκότητα
  • Εισαγωγή στην Ταξινόμηση
  • Ορίστε ένα μοντέλο ταξινόμησης
  • Δημιουργήστε έναν K-Nearest Neighbours χρησιμοποιώντας τη βιβλιοθήκη scikit-learn
  • Αξιολογήστε και συντονίστε το μοντέλο, χρησιμοποιώντας μετρήσεις όπως η ακρίβεια ταξινόμησης / βαθμολόγηση
  • Εισαγωγή στη Λογιστική παλινδρόμηση
  • Δημιουργήστε ένα μοντέλο ταξινόμησης Λογική παλινδρόμησης χρησιμοποιώντας τη βιβλιοθήκη scikit learn
  • Περιγράψτε τη σιγμοειδή συνάρτηση, τις πιθανότητες και τις αναλογίες εξισώσεων και τον τρόπο με τον οποίο σχετίζονται με την υλικοτεχνική παλινδρόμηση
  • Αξιολογήστε ένα μοντέλο που χρησιμοποιεί μετρήσεις όπως η ακρίβεια ταξινόμησης / error, η μήτρα σύγχυσης, οι καμπύλες ROC / AOC και οι απώλειες
  • Επικοινωνήστε με τα αποτελέσματα από την Λογιστική παλινδρόμηση
  • Εξηγήστε το εμπόριο μεταξύ της ακρίβειας και της ανάκλησης ενός μοντέλου και αρθρώστε το κόστος των εσφαλμένων θετικών έναντι των ψευδών αρνητικών.
  • Προσδιορίστε τα συστατικά στοιχεία μιας συνοπτικής και πειστικής έκθεσης και πώς σχετίζονται με συγκεκριμένα ακροατήρια / ενδιαφερόμενα μέρη
  • Περιγράψτε τη διαφορά μεταξύ οπτικοποίησης για παρουσιάσεις και ανάλυση διερευνητικών δεδομένων
  • Εύκαμπτη συνεδρία κλάσης
  • Εστίαση σε ένα θέμα που έχει επιλεγεί από τον εκπαιδευτή / τάξη για να παρέχει βαθύτερη γνώση στη μοντελοποίηση δεδομένων

Ενότητα 3: Επιστήμη των δεδομένων στον πραγματικό κόσμο

  • Δέντρα αποφάσεων και τυχαία δάση
    • Περιγράψτε τη διαφορά μεταξύ δέντρων ταξινόμησης και παλινδρόμησης και πώς να ερμηνεύσετε αυτά τα μοντέλα
    • Εξηγήστε και κοινοποιήστε τις συμφωνίες των δέντρων αποφάσεων έναντι των μοντέλων παλινδρόμησης
    • Δημιουργήστε δέντρα απόφασης και τυχαία δάση χρησιμοποιώντας τη βιβλιοθήκη scikit-learn
  • Επεξεργασία φυσικής γλώσσας
  • Δείξτε πώς μπορείτε να tokenize κείμενο φυσικής γλώσσας χρησιμοποιώντας το NLTK
  • Κατηγοριοποιήστε και επισημάνετε μη δομημένα δεδομένα κειμένου
  • Εξηγήστε πώς να δημιουργήσετε ένα μοντέλο ταξινόμησης κειμένου χρησιμοποιώντας το NLTK
  • Μείωση της διατομής
  • Εξηγήστε πώς μπορείτε να εκτελέσετε μια μείωση διαστάσεων χρησιμοποιώντας μοντέλα θέματος
  • Δείξτε πώς μπορείτε να βελτιώσετε τα δεδομένα χρησιμοποιώντας λανθάνουσα κατανομή dirichlet (LDA)
  • Εξαγωγή πληροφοριών από δείγμα δεδομένων
  • Εργασία με δεδομένα χρονοσειρών
  • Εξηγήστε γιατί τα δεδομένα των χρονικών σειρών είναι διαφορετικά από τα άλλα δεδομένα και πώς να τα υπολογίζετε
  • Δημιουργήστε κυλιόμενα μέσα και καταγράψτε δεδομένα χρονοσειρών χρησιμοποιώντας τη βιβλιοθήκη Pandas
  • Εκτελέστε αυτοσυσχέτιση σε δεδομένα χρονοσειρών
  • Δημιουργία μοντέλων με δεδομένα χρονολογικών σειρών
  • Αποσυνθέστε τα δεδομένα της χρονοσειράς σε τάση και υπολειπόμενα στοιχεία
  • Επαλήθευση και διασταυρούμενη επικύρωση δεδομένων από διαφορετικά σύνολα δεδομένων
  • Χρησιμοποιήστε το μοντέλο ARIMA για να προβλέψετε και να εντοπίσετε τάσεις στα δεδομένα χρονοσειρών
  • Η αξία των βάσεων δεδομένων
  • Περιγράψτε τις περιπτώσεις χρήσης για διαφορετικούς τύπους βάσεων δεδομένων
  • Εξηγήστε τις διαφορές μεταξύ σχεσιακών βάσεων δεδομένων και βάσεων δεδομένων που βασίζονται σε έγγραφα
  • Γράψτε απλά ερωτήματα επιλογής για να τραβήξετε δεδομένα από μια βάση δεδομένων και να τα χρησιμοποιήσετε στο Pandas
  • Προχωρώντας με την καριέρα σας στην επιστήμη δεδομένων
  • Καθορίστε κοινά μοντέλα που χρησιμοποιούνται σε διαφορετικές βιομηχανίες
  • Προσδιορίστε τις περιπτώσεις χρήσης για κοινά μοντέλα
  • Συζητήστε τα επόμενα βήματα και πρόσθετους πόρους για τη μάθηση της επιστήμης των δεδομένων
  • Εύκαμπτη συνεδρία κλάσης
  • Επικεντρωθείτε σε ένα θέμα που επιλέγεται από τον εκπαιδευτή / τάξη για να δώσετε μια βαθύτερη εικόνα της επιστήμης των δεδομένων στον πραγματικό κόσμο
  • Τελικές παρουσιάσεις
  • Παρουσιάστε την τελική παρουσίαση σε συναδέλφους, εκπαιδευτές και φιλοξενούμενους που θα προσδιορίσουν τα δυνατά σημεία και τους τομείς βελτίωσης

Επιλογές χρηματοδότησης

Χρειάζεστε βοήθεια πληρωμής; Οι επιλογές χρηματοδότησης σας επιτρέπουν να επικεντρωθείτε στους στόχους σας αντί για τα εμπόδια που σας εμποδίζουν να τα προσεγγίσετε.

WeLend

Υποβάλετε αίτηση για άτοκο δάνειο έως 18 μήνες ή σταθερό δάνειο έως 48 μήνες⁵Μπορεί να είναι πολίτης του Χονγκ Κονγκ ή μόνιμος κάτοικος.
Οι επιλογές χρηματοδότησης διαφέρουν σε κάθε αγορά και είναι διαθέσιμες μόνο στους φοιτητές που γίνονται δεκτοί στα προγράμματα μας.
Επικοινωνήστε με έναν τοπικό υπάλληλο εισαγωγής για περισσότερες πληροφορίες.

Το πρόγραμμα διδάσκεται στις:
Αγγλικά

Κοιτάξτε12 περισσότερα μαθήματα αποGeneral Assembly »

Το μάθημα αυτό είναι με βάση την Πανεπιστημιούπολη
Ημερομηνία έναρξης
Duration
10 Εβδομάδες
Μερική παρακολούθηση
Τιμή
3,950 USD
Με τοποθεσίες
Με ημερομηνία
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία έναρξης
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Άλλη