AI Data Analytics Course Online

Aralin 1 • Etika at Responsableng Prinsipyo ng AI

Ipinakikilala ang pagiging patas, transparency, accountability, at privacy bilang mga hindi mapag-uusapang hadlang sa disenyo. Binabalangkas ang etikal na pag-iisip bilang mahalagang bahagi ng bawat susunod na kabanata.

Aralin 2 • Pagtukoy sa AI at Data Analytics

Nililinaw ang mga hangganan sa pagitan ng AI, machine learning, at classical analytics. Nagbibigay ng iisang wikang gagamitin sa buong kurso.

Aralin 3 • Ang Data Analytics Lifecycle

Itinatala ang proseso mula sa tanong sa negosyo hanggang sa naka-deploy na insight. Ginagamit ng mga mag-aaral ang lifecycle bilang nauulit na balangkas ng proyekto.

Aralin 1 • Pagtatasa ng Kalidad ng Datos

Itinuturo ang sistematikong data profiling upang matukoy ang mga isyu sa completeness, consistency, accuracy, at timeliness. Ang mga sukatan ng kalidad ay nagiging pamantayan sa pagtanggap para sa bawat dataset na gagamitin sa ibang pagkakataon.

Aralin 2 • Pagbuo ng Reproducible na Data Pipeline

Ina-automate ang mga hakbang sa paglilinis at pag-transforma sa mga bersyon-kontrolado at nauulit na workflow. Itinatatag ang disiplina sa data pipeline na kinakailangan para sa production-grade na mga proyekto sa analytics.

Aralin 3 • Feature Engineering at Transformation

Kino-convert ang mga hilaw na variable tungo sa mga informative na feature na nagpapahusay sa performance ng data model. Ipinakikilala ang encoding, scaling, at aggregation bilang mga pundasyonal na hakbang sa preprocessing.

Aralin 4 • Mga Pamamaraan sa Data Cleansing

Inilalapat ang mga hands-on na paraan upang malutas ang mga isyu sa kalidad na natagpuan sa profiling. Gumagawa ng malilinis na dataset na handa para sa exploratory analysis sa susunod na kabanata.

Aralin 1 • Interactive na Dashboard at Pag-uulat

Isinasalin ang mga static na output ng EDA sa mga dynamic na dashboard para sa konsumo ng stakeholder. Ipinakikilala ang mga pattern sa disenyo ng dashboard na ginagamit sa mga inilapat na proyekto sa analytics.

Aralin 2 • Pinakamahusay na Kasanayan sa Data Visualization

Itinatatag ang mga prinsipyo ng disenyo para sa tumpak, accessible, at mapanghikayat na mga chart. Tinitiyak na ang mga visualization na ginawa sa mga susunod na kabanata ay umaabot sa mga pamantayan ng propesyonal na komunikasyon.

Aralin 3 • Univariate at Bivariate Analysis

Sinusuri ang mga distribusyon ng iisang variable at mga relasyong pairwise upang mabuo ang mga inisyal na hypothesis. Bumubuo ng intuwisyong analitikal na inilalapat sa mga kabanata ng data modeling.

Aralin 4 • Descriptive Statistics para sa mga Analyst

Sumasaklaw sa mga sukatan ng central tendency, spread, at hugis bilang kwantitatibong backbone ng EDA. Ini-uugnay ang mga statistical summary sa mga interpretasyong may kaugnayan sa negosyo.

Aralin 1 • A/B Testing at Disenyo ng Eksperimento

Inilalapat ang hypothesis testing sa mga kontroladong eksperimento na karaniwan sa product at marketing analytics. Ipinakikilala ang randomization, control group, at mga pagwawasto sa multiple testing.

Aralin 2 • Mga Karaniwang Statistical Test

Sumasaklaw sa t-tests, chi-square, ANOVA, at mga alternatibong non-parametric na may pamantayan sa pagpili. Inihahanda ang mga mag-aaral na pumili ng tamang test para sa anumang analitikal na sitwasyon.

Aralin 3 • Mga Pundamental ng Probability para sa mga Analyst

Ipinakikilala ang mga alituntunin sa probability, distribution, at ang central limit theorem bilang batayan para sa inference. Nagbibigay ng pundasyong matematikal para sa lahat ng pamamaraan ng hypothesis testing.

Aralin 4 • Balangkas ng Hypothesis Testing

Itinatatag ang istraktura ng null/alternative hypothesis, significance level, at p-values. Inilalapat ng mga mag-aaral ang balangkas upang patunayan o pasinungalingan ang mga data-driven na claim sa negosyo.

Aralin 1 • Mga Pamamaraan ng Unsupervised Learning

Sumasaklaw sa clustering at dimensionality reduction para sa pagtukoy ng pattern nang walang labeled na datos. Inihahanda ang mga mag-aaral para sa mga aplikasyon ng customer segmentation at anomaly detection.

Aralin 2 • Mga Algorithm ng Regression

Sumasaklaw sa linear, polynomial, at regularized regression para sa tuloy-tuloy na prediksyon ng target. Ini-uugnay ang mga output ng regression sa mga gawain sa business forecasting at estimation.

Aralin 3 • Mga Konsepto ng Supervised Learning

Ipinapaliwanag ang paradaym ng training-label, loss function, at ang bias-variance trade-off. Itinatatag ang konseptwal na data model na sumasailalim sa lahat ng algorithm ng regression at classification.

Aralin 4 • Mga Algorithm ng Classification

Ipinakikilala ang logistic regression, decision tree, at ensemble method para sa kategoryang prediksyon. Pinipili at iti-tune ng mga mag-aaral ang mga classifier batay sa mga katangian ng datos at pangangailangan ng negosyo.

Aralin 1 • Orkestrasyon ng Scalable ML Pipeline

Ina-automate ang end-to-end na ML workflow mula sa data ingestion hanggang sa muling pagsasanay ng data model sa scale. Pinag-uugnay ang mga kasanayan sa data engineering at MLOps na ipinakilala sa susunod na kabanata.

Aralin 2 • Data Governance at Cataloging

Itinatatag ang pamamahala ng metadata, data lineage, at access control bilang mga haligi ng governance. Tinitiyak na ang mga data asset ay discoverable, mapagkakatiwalaan, at compliant sa buong organisasyon.

Aralin 3 • Batch at Stream Processing

Nakikilala ang batch mula sa real-time processing paradigm at ang mga angkop na use case ng mga ito. Ipinapatupad ng mga mag-aaral ang parehong pattern upang suportahan ang magkakaibang pangangailangan sa latency ng analytics.

Aralin 4 • Cloud Data Platform at Architecture

Sinusuri ang cloud-native storage, compute, at analytics services at ang mga trade-off sa architecture ng mga ito. Nagbibigay ng konteksto ng infrastructure para sa lahat ng scalable analytics solution na bubuuin sa ibang pagkakataon.

Aralin 1 • Time-Series Forecasting gamit ang AI

Sumasaklaw sa classical at AI-based na pamamaraan ng forecasting para sa sequential na datos ng negosyo. Bumubuo ang mga mag-aaral ng data model para sa demand, revenue, at operational forecasting.

Aralin 2 • Deep Learning para sa Structured Data

Ipinakikilala ang mga arkitektura ng neural network na optimized para sa tabular na datos ng negosyo. Bumubuo sa mga pundamental ng ML upang palawakin ang predictive power lampas sa mga classical algorithm.

Aralin 3 • Natural Language Processing para sa Analytics

Inilalapat ang NLP upang mag-extract ng structured na insight mula sa text data tulad ng mga review at report. Pinapalawak ang mga uri ng datos na maaaring suriin ng mga mag-aaral lampas sa numerical table.

Aralin 4 • Recommendation at Personalization Engine

Ipinakikilala ang collaborative filtering, content-based, at hybrid recommendation system. Nagdidisenyo ang mga mag-aaral ng lohika ng personalization na naaangkop sa e-commerce at content platform.

Aralin 1 • Model Monitoring at Drift Detection

Tinutukoy ang data drift, concept drift, at pagbaba ng performance sa mga live data model. Pinipigilan ang tahimik na pagkabigo ng data model na sumisira sa halaga ng negosyo nang walang nakikitang error.

Aralin 2 • Model Packaging at Versioning

Sumasaklaw sa containerization, model registry, at bersyon ng artifact para sa reproducible deployment. Itinatatag ang proseso ng handoff sa pagitan ng data science at engineering team.

Aralin 3 • Pagse-serve ng Data Model sa Production

Ipinapatupad ang REST API, batch inference, at edge deployment pattern para sa magkakaibang pangangailangan sa pagse-serve. Itinatapat ng mga mag-aaral ang arkitektura ng pagse-serve sa mga kinakailangan sa latency, throughput, at gastos.

Aralin 4 • AI Analytics Governance sa Production

Ipinapatupad ang fairness check, audit trail, at compliance control sa mga naka-deploy na AI system. Isinasara ang loop sa pagitan ng mga etikal na prinsipyong ipinakilala sa Kabanata 1 at live na operasyon.