Utbildning i dataanalys

Lektion 1 • Datakällor och strukturer

Undersöker strukturerade, semi-strukturerade och ostrukturerade datakällor. Förbereder studenter att identifiera lämplig data för varje analytisk uppgift.

Lektion 2 • Vad dataanalys är

Definierar dataanalys och dess omfattning inom moderna organisationer. Fastställer vokabulären som används genom hela kursen.

Lektion 3 • Etik och datastyrning inom analys

Täcker principer för dataintegritet, risker med partiskhet och standarder för ansvarsfull användning. Förankrar allt efterföljande tekniskt arbete i etisk praktik.

Lektion 4 • Typer av analys

Kontrasterar deskriptiv, diagnostisk, prediktiv och preskriptiv analys. Kopplar varje typ till verkliga affärsbeslut.

Lektion 1 • Grunderna i datapipelines

Förklarar ETL- och ELT-processer samt koncept för pipeline-orkestrering. Ger studenterna en mental modell för automatiserad dataförflyttning.

Lektion 2 • Datainsamlingsmetoder

Undersöker enkäter, webbskrapning, transaktionssystem och sensordata. Kopplar val av insamlingsmetod till resultat i datakvalitet.

Lektion 3 • Introduktion till SQL

Lär ut grundläggande SQL-syntax för att fråga och filtrera data. Stöder direkt dataextraktionsuppgifter i alla efterföljande kapitel.

Lektion 4 • Grunderna i relationsdatabaser

Introducerar tabeller, nycklar och relationer i relationsdatabaser. Gör det möjligt för studenter att läsa och designa grundläggande scheman.

Lektion 1 • Förstå datakvalitet

Definierar noggrannhet, fullständighet, konsekvens och aktualitet som kvalitetsdimensioner. Fastställer standarden mot vilken allt rengöringsarbete mäts.

Lektion 2 • Hantera saknad data och dubbletter

Behandlar detektions- och behandlingsstrategier för nullvärden, blanksteg och dubblettposter. Minskar direkt snedvridning och fel i efterföljande analys.

Lektion 3 • Upptäckt och hantering av avvikelser

Introducerar statistiska och visuella metoder för att identifiera avvikelser. Lär ut kontextdrivna beslut om att behålla eller ta bort extremvärden.

Lektion 4 • Grunderna i egenskapsskapande

Behandlar att skapa nya variabler från befintlig data för att förbättra analytisk förmåga. Binder samman dataförberedelse- och modelleringskapitel.

Lektion 1 • Hypotesformulering

Lär ut hur man översätter affärsfrågor till testbara hypoteser från EDA-fynd. Kopplar explorativt arbete till konfirmatorisk analys.

Lektion 2 • Univariat analys

Undersöker fördelningar av enstaka variabler med histogram, boxplots och frekvenstabeller. Bygger färdigheter i mönsterigenkänning som tillämpas på multivariat analys härnäst.

Lektion 3 • Bivariat och multivariat analys

Utforskar relationer mellan två eller flera variabler med spridningsdiagram, heatmaps och korstabeller. Avslöjar korrelationer och interaktioner i data.

Lektion 4 • Deskriptiv statistik

Behandlar mått på central tendens, spridning och form för att sammanfatta fördelningar. Ger den numeriska grunden för allt EDA-arbete.

Lektion 1 • Korrelations- och regressionsanalys

Introducerar Pearsons korrelation och enkel linjär regression för att modellera relationer. Bryggar statistisk inferens och prediktiv modellering.

Lektion 2 • Hypotesprövning

Lär ut t-test, chi-två-test och ANOVA för att jämföra grupper. Kopplar statistiska beslut till affärsfrågor som introducerats i EDA.

Lektion 3 • Multipel regression och modellvalidering

Utvidgar regression till flera prediktorer och behandlar överanpassning och valideringsstrategier. Förbereder studenterna för maskininlärningskoncept framöver.

Lektion 4 • Grunderna i sannolikhetslära

Behandlar sannolikhetsregler, fördelningar och den centrala gränsvärdessatsen. Ger den matematiska grunden för alla inferenstekniker.

Lektion 1 • Tekniker för databerättande

Tillämpar narrativ struktur, kontext och spänning i datapresentationer. Omvandlar statiska diagram till övertygande analytiska berättelser.

Lektion 2 • Principer för visuell design

Behandlar pre-attentiva attribut, gestaltprinciper och ramverk för val av diagramtyp. Fastställer designregler som tillämpas i varje efterföljande visualisering.

Lektion 3 • Grundläggande diagramtyper och användningsfall

Bygger färdighet med stapel-, linje-, spridnings-, cirkel- och kartdiagram. Kopplar varje diagramtyp till den analytiska fråga den bäst besvarar.

Lektion 4 • Dashboard-design

Lär ut principer för layout, hierarki och interaktivitet för dashboards med flera diagram. Förbereder studenter att bygga operativa och exekutiva dashboards.

Lektion 1 • Maskininlärningskoncept

Definierar övervakad, oövervakad och förstärkningsinlärning med affärsexempel. Fastställer den konceptuella kartan för allt modelleringsarbete i detta kapitel.

Lektion 2 • Regressions- och prognosmodeller

Utvidgar regression till polynomiella och regulariserade former och introducerar tidsserieprognoser. Kopplar prediktiv modellering till operativ planering.

Lektion 3 • Klustring och segmentering

Tillämpar k-medelvärden och hierarkisk klustring för att segmentera kunder och datapunkter. Möjliggör oövervakad mönsterupptäckt utan märkt data.

Lektion 4 • Grunderna i modellval och driftsättning

Behandlar korsvalidering, hyperparameterjustering och koncept för modelldriftsättning. Förbereder studenter att flytta modeller från anteckningsböcker till produktion.

Lektion 1 • Utveckling av analysfärdplan

Vägleder studenter genom att bygga en fasad analysfärdplan med milstolpar och resursplaner. Sammanför allt kurslärande till en strategisk leverans.

Lektion 2 • Analysdatastyrning och datakvalitet

Fastställer datastyrningsstrukturer, dataförvaltningsroller och kvalitetsstandarder i stor skala. Säkerställer att analysutdata är pålitliga och kompatibla.

Lektion 3 • Mäta analys-ROI

Behandlar ramverk för att kvantifiera den finansiella och operativa påverkan av analysprojekt. Bygger affärsfallet för fortsatt analysinvestering.

Lektion 4 • Bygga en datadriven kultur

Adresserar förändringsledning, dataläskunnighetsprogram och executive sponsorship. Kopplar individuella analytiska färdigheter till organisationstransformation.