Dedika je platforma za učenje skozi prakso: na primer, kako pripraviti poslovno ponudbo, postati manikerka ali uporabljati novo orodje. Ne glede na tvoj cilj, najboljša vsebina o tej temi že obstaja. A pogosto je v tujem jeziku, draga, razpršena po spletu, brez vaj za vadbo ali pa je del predolgega tečaja, ki ni primeren za tiste z natrpanim urnikom. Zato ima Dedika svoj pristop: poiščemo gradivo, kjerkoli je, izberemo tisto, kar je smiselno za tvoj cilj, ga pregledamo s pomočjo strokovnjakov, ki so na voljo za vprašanja, in pripravimo praktične naloge, da se učiš skozi delo. Ti si najpomembnejši na svoji poti in nihče te ne pozna bolje: izberi vsebino in trajanje tečaja, ali boš učil z ali brez interneta in v katerem formatu. Lahko je video, besedilo, avdio ali povzetek. Po tvoji meri, samo s tistim, kar ti ustreza. Tukaj je vsak trenutek tvoje predanosti pomemben in hitreje prideš do bistva.

Tečaji so sestavljeni iz najboljše vsebine na svetu na določeno temo: videi, avdio posnetki, članki in knjige. Vsa ta vsebina je opremljena s povzetki, podcasti (za knjige in članke) ter prepisi (za videe in avdio posnetke). Sami izberete, kako želite vsebino spremljati. Vsako gradivo ima posebna vprašanja za utrjevanje znanja. Poleg tega je tečaj sestavljen iz poglavij, ki jih izberete sami, kar vam omogoča, da se učite le tistega, kar je pomembno za vas. Na koncu vsakega poglavja je praktični projekt, povezan z vašo stroko, kjer lahko vadite naučeno.

Naši tečaji vključujejo povzetek na koncu vsakega poglavja, ki ga lahko prenesete kot PDF in natisnete.

Več kot 2 milijona študentov po vsem svetu

Prisotni v več kot 180 državah

Certifikat veljaven v vaši državi

Domov

...

Tečaj Data Science in Data Analytics

Vsi tečaji

Poslovanje in ekonomija

Poslovna inteligenca

Tečaj Data Science in Data Analytics

Za vse ravni

Tečaj Data Science in Data Analytics

Obvladaš celotno podatkovno znanstveno cev – od zbiranja in čiščenja podatkov do gradnje modelov strojnega učenja in njihovega uvajanja v produkcijo. Ta tečaj pokriva Python, SQL, statistiko, globoko učenje in BI orodja v enem celovitem programu. Ne glede na to, ali šele vstopaš na to področje ali nadgrajuješ svoje znanje, boš diplomiral/-a z veščinami, ki jih delodajalci aktivno iščejo.

Dedika za podjetja

Kaj se boste naučili:

Naučil/-a se boš zbirati, čistiti in analizirati podatke iz resničnih virov z uporabo Pythona, pandas in SQL. Gradil/-a in ocenjeval/-a boš modele strojnega učenja za naloge klasifikacije, regresije in razvrščanja z uporabo scikit-learn. Tečaj pokriva statistično sklepanje, testiranje hipotez in vizualizacijo podatkov z Matplotlib, Seaborn in Plotly. Raziskal/-a boš napredne teme, vključno z nevronskimi mrežami, obdelavo naravnega jezika in ansambelskimi metodami, kot je XGBoost. Nazadnje se boš naučil/-a uvajati modele kot REST API-je, jih zapakirati v vsebnike z Dockerjem in jih spremljati v produkcijskih okoljih.

Kako praktično študirate Tečaj Data Science in Data Analytics

Kako vadite Tečaj Data Science in Data Analytics

Za vas, ki ste podjetje in želite usposobiti svojo ekipo

Na Dedika za podjetja je tečaj prilagojen z vajami in primeri iz vašega lastnega poslovanja, tako kot vaša podjetja potrebujejo.

Kliknite tukaj

Vsebina tečaja

8 Poglavji • 39 Uč lekcijeTrajanje med 4 in 360 urami (vi se odločite)

Poglavje 1Poglej podrobnosti

Temelji podatkovne znanosti

Uč lekcija 1 • Spekter analitike
Predstavi opisno, diagnostično, napovedno in predpisno analitiko. Študenti vsako vrsto povežejo s poslovnimi vprašanji in pričakovanimi rezultati.
Uč lekcija 2 • Kaj je podatkovna znanost
Opredeli podatkovno znanost, njen obseg in kako se razlikuje od statistike in programskega inženirstva. Vzpostavi besedišče, ki se uporablja skozi celoten tečaj.
Uč lekcija 3 • Tipi in strukture podatkov
Obravnava strukturirane, polstrukturirane in nestrukturirane formate podatkov. Povezuje zavedanje o tipih podatkov z izbiro ustreznih orodij in metod.
Uč lekcija 4 • Nastavitev delovnega okolja
Vodi namestitev in konfiguracijo Pythona, Jupyterja in orodij za nadzor različic. Zagotavlja, da ima vsak študent funkcionalno, ponovljivo delovno okolje.

Poglavje 2Poglej podrobnosti

Zbiranje in shranjevanje podatkov

Uč lekcija 1 • NoSQL in možnosti shranjevanja v oblaku
Pregled dokumentnih, ključ-vrednost in stolpčnih NoSQL shramb skupaj z objektnim shranjevanjem v oblaku. Študenti izbirajo vrste shranjevanja glede na količino podatkov in vzorce poizvedb.
Uč lekcija 2 • Primarni in sekundarni viri podatkov
Loči med podatki prve, druge in tretje strani ter njihovimi kompromisi. Utemeljuje izbiro vira na podlagi kriterijev zanesljivosti in ustreznosti.
Uč lekcija 3 • Gradnja preprostih podatkovnih cevi
Združuje veščine zbiranja in shranjevanja v avtomatizirane delovne tokove zajemanja. Študenti pišejo skripte, ki zanesljivo ekstrahirajo, transformirajo in nalagajo podatke.
Uč lekcija 4 • Spletno strganje in API-ji
Uči programski zajem podatkov z uporabo REST API-jev in HTML strganja. Študenti ekstrahirajo in razčlenjujejo resnične podatke iz živih spletnih virov.
Uč lekcija 5 • Osnove relacijskih baz podatkov
Predstavi relacijske modele, oblikovanje shem in SQL poizvedbe. Povezuje veščine podatkovnih baz z učinkovitim zajemom strukturiranih podatkov.

Poglavje 3Poglej podrobnosti

Urejanje in predobdelava podatkov

Uč lekcija 1 • Tehnike transformacije podatkov
Uporabi normalizacijo, standardizacijo, kodiranje in razvrščanje v zaboje za pripravo značilk. Povezuje transformacije z zahtevami združljivosti nadaljnjih modelov.
Uč lekcija 2 • Preoblikovanje in združevanje naborov podatkov
Uči vrtenja, taljenja, združevanja in povezovanja več DataFrame-ov. Študenti združujejo podatke iz več virov v enotne analitične tabele.
Uč lekcija 3 • Osnove raziskovalne analize podatkov
Uporabi povzetke statistike in porazdelitve za razumevanje značilnosti nabora podatkov. Nudi diagnostični pogled, potreben pred začetkom čiščenja.
Uč lekcija 4 • Obravnavanje manjkajočih in pokvarjenih podatkov
Obravnava strategije zaznavanja, imputacije in odstranjevanja za nepopolne zapise. Študenti izbirajo metode na podlagi mehanizmov manjkanja (MCAR, MAR, MNAR).
Uč lekcija 5 • Osnove inženiringa značilk
Z uporabo domenske logike ustvari nove napovedne značilke iz obstoječih spremenljivk. Prikazuje, kako oblikovane značilke izboljšajo zmogljivost modela.

Poglavje 4Poglej podrobnosti

Vizualizacija podatkov in podatkovno pripovedništvo

Uč lekcija 1 • Načela učinkovite vizualizacije
Obravnava zaznavne principe, izbiro grafikonov in pogoste pasti vizualizacije. Odločitve o oblikovanju utemeljuje na razumevanju občinstva in celovitosti podatkov.
Uč lekcija 2 • Interaktivna vizualizacija s Plotly
Ustvarja grafikone in dashboarde, ki podpirajo premik miške in povečavo, z uporabo Plotly in Dash. Razširja statične veščine na spletno pripravljeno, uporabniško vodeno raziskovanje.
Uč lekcija 3 • Podatkovno pripovedništvo in predstavitev
Strukturira analitične ugotovitve v koherentne pripovedi za izvršna občinstva. Študenti oblikujejo predstavitve in poročila, ki vodijo k odločitvam.
Uč lekcija 4 • Geoprostorski in multivariatni vizualni prikazi
Predstavi kloropletne karte, toplotne karte in vzporedne koordinate za kompleksne podatke. Študenti učinkovito vizualizirajo prostorske in visokodimenzionalne relacije.
Uč lekcija 5 • Statična vizualizacija z Matplotlib in Seaborn
Gradi stolpčne, linijske, razsevne in porazdelitvene grafikone z uporabo knjižnic Python. Študenti prilagajajo estetiko in opombe za profesionalen izpis.

Poglavje 5Poglej podrobnosti

Statistična analiza in sklepanje

Uč lekcija 1 • Okvir za testiranje hipotez
Predstavi ničelno in alternativno hipotezo, p-vrednosti ter napake tipa I/II. Študenti uporabijo okvir na realnih poslovnih in znanstvenih vprašanjih.
Uč lekcija 2 • Pogosti statistični testi
Uporabi t-teste, hi-kvadrat, ANOVA in Mann-Whitney teste za ustrezne tipe podatkov. Študenti izbirajo teste na podlagi podatkovne lestvice in predpostavk porazdelitve.
Uč lekcija 3 • Korelacijska in regresijska analiza
Meri linearne povezave in gradi enostavne ter multiple regresijske modele. Povezuje opisno statistiko s prediktivnim modeliranjem, ki bo predstavljeno kasneje.
Uč lekcija 4 • Verjetnost in porazdelitve
Obravnava pravila verjetnosti, slučajne spremenljivke in ključne porazdelitve (normalna, binomska, Poissonova). Zagotavlja matematično osnovo za vse inferenčno delo.
Uč lekcija 5 • Vzorčenje in ocenjevanje
Uči strategije vzorčenja, intervale zaupanja in točkovno ocenjevanje. Povezuje vzorčne statistike s sklepanjem o parametrih populacije.

Poglavje 6Poglej podrobnosti

Osnove strojnega učenja

Uč lekcija 1 • Regresijski algoritmi
Razširi linearno regresijo na regularizirane modele (Ridge, Lasso) in drevesne regresorje. Študenti napovedujejo zvezne izide in interpretirajo koeficiente.
Uč lekcija 2 • Osnovni koncepti in delovni tok strojnega učenja
Opredeli delitve na učno, validacijsko in testno množico, kompromis med pristranskostjo in varianco ter prekomerno prileganje. Vzpostavi celovito cev strojnega učenja, ki se uporablja v vsakem naslednjem modelu.
Uč lekcija 3 • Ocenjevanje in izbira modelov
Uporabi navzkrižno preverjanje, matrike zmede, ROC-AUC in RMSE za ocenjevanje modelov. Študenti izberejo najboljši model za dano nalogo z uporabo objektivnih metrik.
Uč lekcija 4 • Klasifikacijski algoritmi
Obravnava logistično regresijo, odločitvena drevesa, k-NN in metodo podpornih vektorjev. Študenti učijo in primerjajo klasifikatorje na označenih naborih podatkov.
Uč lekcija 5 • Gručenje in zmanjševanje dimenzionalnosti
Uporabi k-means, DBSCAN in PCA za odkrivanje strukture v neoznačenih podatkih. Študenti interpretirajo profile gruč in reprezentacije z zmanjšano dimenzionalnostjo.

Poglavje 7Poglej podrobnosti

Napredno strojno učenje in globoko učenje

Uč lekcija 1 • Optimizacija hiperparametrov
Uporabi mrežno iskanje, naključno iskanje in Bayesovo optimizacijo za uglaševanje modelov. Študenti avtomatizirajo uglaševanje in sistematično dokumentirajo izboljšave zmogljivosti.
Uč lekcija 2 • Osnove nevronskih mrež
Gradi vnaprejšnje mreže s Kerasom, obravnava plasti, aktivacije in povratno razširjanje napake. Povezuje mehaniko nevronskih mrež z modeli globokega učenja, ki sledijo.
Uč lekcija 3 • Osnove obdelave naravnega jezika
Obravnava tokenizacijo, TF-IDF, vložitve besed in klasifikacijo na podlagi transformerjev. Študenti gradijo klasifikatorje besedil in analizatorje sentimenta.
Uč lekcija 4 • Ansambelske metode
Obravnava bagging, boosting in zlaganje z Random Forest, XGBoost in LightGBM. Študenti uglašujejo ansamble za doseganje najsodobnejše zmogljivosti na tabelaričnih podatkih.
Uč lekcija 5 • Konvolucijske in rekurentne mreže
Predstavi CNN za slikovne naloge in RNN/LSTM za sekvenčne podatke. Študenti uporabijo prenosno učenje za pospešitev razvoja modelov.

Poglavje 8Poglej podrobnosti

Uvedba modelov v produkcijo

Uč lekcija 1 • Gradnja REST API-jev za modele
Zavije naučene modele v končne točke FastAPI za sklepanje v realnem času. Študenti testirajo, dokumentirajo in zavarujejo API-je za napovedi.
Uč lekcija 2 • Pakiranje in serializacija modelov
Shranjuje in nalaga modele z uporabo pickle, joblib in ONNX za prenosljivost. Zagotavlja ponovljivost med okolji in člani ekipe.
Uč lekcija 3 • Vsebništvo z Dockerjem
Zapakira API-je modelov v vsebnike Docker za dosledno, prenosljivo uvedbo. Študenti pišejo Dockerfile in upravljajo slike za storitve strojnega učenja.
Uč lekcija 4 • Uvajanje v oblak in skaliranje
Uvaja modele v vsebnikih na oblačne platforme z uporabo upravljanih storitev. Študenti konfigurirajo samodejno skaliranje in uravnoteženje obremenitve za produkcijski promet.
Uč lekcija 5 • Spremljanje modelov in ponovno učenje
Zaznava podatkovni zdrs, poslabšanje zmogljivosti in konceptualni zdrs pri živih modelih. Študenti implementirajo avtomatizirane sprožilce za ponovno učenje in cevovode za opozarjanje.

Certifikacija

Vaš veljaven certifikat o zaključku

Ta tečaj je namenjen vam:

Karierni prehajalci: željni vstopa v visoko povpraševano področje iz nepovezanega ozadja.
Poslovni analitiki: pripravljeni preseči dashboarde in stopiti na področje napovednega modeliranja.
Nedavni diplomanti: želijo izstopati z uporabnimi, delodajalcem pomembnimi tehničnimi veščinami.
Razvijalci programske opreme: želijo se razširiti na področje podatkovne znanosti in strojnega učenja.
Strokovnjaki za trženje: želijo pretvoriti podatke kampanj v uporabne strateške vpoglede.
Raziskovalci: želijo uporabiti računske metode na svojih področno specifičnih naborih podatkov.

Kaj pravijo naši učenci

Vaše predavanja so popolna. Kupil sem enoletni paket in končno imam priložnost spremljati različne teme, ki me zanimajo, ne da bi moral menjati platformo... hvala za vse, kar počnete, že sem vas priporočil drugim ljudem...