Įgyk duomenų mokslo magistro laipsnį internetu

Pradėkite nuo svarbiausių duomenų analizės įgūdžių įsisavinimo. Pirmiausia supraskite, kaip struktūruotai atlikti duomenų analizę, kaip rinkti ir interpretuoti duomenis, kaip nustatyti svarbius modelius ir kaip atlikti pagrindinį duomenų vizualizavimą. Tuomet įvaldykite skaičiuoklių ir SQL, kurie yra pagrindiniai įrankiai pradedant dirbti su duomenimis, naudojimą.

Paverskite savo duomenų įžvalgas įtikinamomis istorijomis, kurios informuoja ir įtikina auditoriją. Pasirinksite tarp Looker Studio ir Tableau BI įrankių, kad galėtumėte kurti interaktyvias informacines diagramas, kuriose būtų pateikta jūsų duomenų analizė. Taip pat sužinosite, kaip rengti patrauklius pristatymus, kuriuose išryškinamos svarbiausios išvados, kaip pritaikyti pranešimą skirtingoms auditorijoms, kaip naudoti kūno kalbą bendravimui sustiprinti ir kaip parinkti geriausias duomenų vizualizacijas.

Šiame modulyje apžvelgsime pagrindinius analizės tipus, susijusius su 4 skirtingomis sritimis - klientų elgsena, e. prekyba, klientų verte ir modeliavimu. Tai apims įvairius analizės tipus, pavyzdžiui, Retention, Cohorts, RFM, CLV, Funnel, A/B testavimo, tiesinės ir logistinės regresijos modelius ir kt. Šie metodai leis jūsų analizei ir įžvalgoms būti patikimoms ir paremtoms duomenimis.

Susipažinę su duomenų analitikų naudojamomis priemonėmis ir metodais, praktiškai išbandysite juos įvairiuose scenarijuose, susijusiuose su konkrečiomis populiariomis duomenų analitikų specializacijomis. Šios specializacijos yra Produktų analizė, Rinkodaros analizė ir Mokėjimų ir (arba) monetizacijos analizė. Tai ne tik pagilins jūsų įgūdžius, bet ir padės geriau suprasti duomenų analitiko profesiją, kuri paprastai yra glaudžiai susijusi ir su duomenų mokslu.

Didelės apimties projektas, kuriame galima pademonstruoti visus iki šiol įgytus įgūdžius.

Įsitikinkite, kad jūsų Python žinių lygis yra pakankamas judėti per programą. Modulyje daroma prielaida, kad neturite ankstesnės Python patirties, ir pradedama nuo pačių šios programavimo kalbos pagrindų, tačiau vėliau pereinama prie sudėtingesnių temų. Įgykite gilesnį supratimą vykdydami kelis praktinius projektus ir gaudami asmeninį 1on1 grįžtamąjį ryšį apie savo kodą.

Išmokite, kaip apdoroti ir vizualizuoti duomenis naudojant NumPy, Pandas ir kitas duomenų vizualizavimo bibliotekas. Taip pat sustiprinsite tiesinės algebros, Python programavimo ir mokslinių skaičiavimų įgūdžius.

Patobulinkite statistikos žinias ir panaudokite naujus įgūdžius kurdami ir tikrindami eksperimentines hipotezes bei statistinį modeliavimą. Naudokite SQL, kad galėtumėte dirbti su duomenimis reliacinėse duomenų bazėse.

Sužinokite, kaip naudoti įvairių tipų mašininio mokymosi modelius, pavyzdžiui, KNNs, decision trees, random forests, support vector machines, gradient boosted trees, XGBoost, LightGBM, K-Means clustering ir kt.

Sužinokite, kaip kurti ir naudoti įvairias neuroninių tinklų architektūras naudojant PyTorch. Pritaikykite šiuos neuroninius tinklus lentelinių duomenų, kompiuterinės regos ir natūralios kalbos apdorojimo problemoms spręsti.