Data Science and Data Analytics Course

Aralin 1 • Ang Spectrum ng Analytics

Ipinapakilala ang descriptive, diagnostic, predictive, at prescriptive analytics. Itinatapat ng mga mag-aaral ang bawat uri sa mga tanong sa negosyo at inaasahang output.

Aralin 2 • Ano ang Data Science

Binibigyang-kahulugan ang data science, ang saklaw nito, at kung paano ito naiiba sa statistics at software engineering. Itinatatag ang bokabularyo na gagamitin sa buong kurso.

Aralin 3 • Mga Uri at Istraktura ng Datos

Sinasaklaw ang structured, semi-structured, at unstructured na mga format ng datos. Ini-uugnay ang kamalayan sa uri ng datos sa angkop na pagpili ng tool at pamamaraan.

Aralin 1 • Mga Opsyon sa NoSQL at Cloud Storage

Sinusuri ang document, key-value, at columnar na NoSQL stores kasama ang cloud object storage. Pinipili ng mga mag-aaral ang mga uri ng storage batay sa dami ng datos at mga pattern ng query.

Aralin 2 • Pangunahin at Sekondaryong Pinagmumulan ng Datos

Tinutukoy ang pagkakaiba ng first-party, second-party, at third-party na datos at ang kanilang mga trade-off. Ibinabatay ang pagpili ng pinagmulan sa pamantayan ng pagiging maaasahan at kaugnayan.

Aralin 3 • Pagbubuo ng mga Simpleng Data Pipeline

Pinagsasama ang mga kasanayan sa pagkolekta at pag-iimbak sa mga automated na ingestion workflow. Ang mga mag-aaral ay nagsusulat ng mga script na mapagkakatiwalaang nag-eextract, transform, at load ng datos.

Aralin 4 • Web Scraping at APIs

Itinuturo ang programatikong pagkuha ng datos gamit ang REST APIs at HTML scraping. Ang mga mag-aaral ay nag-eextract at nagpa-parse ng tunay na datos mula sa mga live na web source.

Aralin 1 • Mga Pamamaraan ng Data Transformation

Inilalapat ang normalization, standardization, encoding, at binning upang ihanda ang mga feature. Ini-uugnay ang mga transformation sa mga kinakailangan ng downstream model compatibility.

Aralin 2 • Pag-reshape at Pagsasama ng mga Dataset

Itinuturo ang pivoting, melting, concatenating, at pagsasama ng maraming DataFrame. Pinagsasama-sama ng mga mag-aaral ang datos mula sa maraming pinagmulan tungo sa pinag-isang analytical na mga table.

Aralin 3 • Mga Pangunahing Kaalaman sa Exploratory Data Analysis

Gumagamit ng summary statistics at distributions upang maunawaan ang mga katangian ng dataset. Nagbibigay ng diagnostic lens na kailangan bago magsimula ang anumang paglilinis.

Aralin 4 • Paghawak ng Nawawala at Sirang Datos

Sinasaklaw ang mga estratehiya sa detection, imputation, at removal para sa mga hindi kumpletong tala. Pinipili ng mga mag-aaral ang mga pamamaraan batay sa mga mekanismo ng pagkawala (MCAR, MAR, MNAR).

Aralin 1 • Mga Prinsipyo ng Epektibong Visualization

Sinasaklaw ang mga perceptual na prinsipyo, pagpili ng tsart, at mga karaniwang pagkakamali sa visualization. Ibinabatay ang mga desisyon sa disenyo sa pang-unawa ng audience at integridad ng datos.

Aralin 2 • Interactive na Visualization gamit ang Plotly

Lumilikha ng mga tsart at dashboard na may hover, zoomable gamit ang Plotly at Dash. Pinapalawak ang mga static na kasanayan tungo sa web-ready, user-driven na eksplorasyon.

Aralin 3 • Data Storytelling at Presentasyon

Istraktura ang mga natuklasang analitikal sa magkakaugnay na naratibo para sa mga executive audience. Ang mga mag-aaral ay gumagawa ng mga slide deck at ulat na nagtutulak ng mga desisyon.

Aralin 4 • Mga Geospatial at Multivariate na Biswal

Ipinapakilala ang choropleth maps, heatmaps, at parallel coordinates para sa kumplikadong datos. Epektibong binibiswal ng mga mag-aaral ang mga relasyong spatial at high-dimensional.

Aralin 1 • Balangkas ng Pagsusuri ng Hypothesis

Ipinapakilala ang null at alternative hypotheses, p-values, at Type I/II errors. Inilalapat ng mga mag-aaral ang balangkas sa tunay na mga tanong sa negosyo at agham.

Aralin 2 • Mga Karaniwang Statistical Test

Inilalapat ang t-tests, chi-square, ANOVA, at Mann-Whitney tests sa mga angkop na uri ng datos. Pinipili ng mga mag-aaral ang mga test batay sa sukat ng datos at mga palagay sa distribusyon.

Aralin 3 • Pagsusuri ng Correlation at Regression

Sinusukat ang mga linear na relasyon at bumubuo ng simple at multiple regression models. Tinutulay ang descriptive statistics patungo sa predictive modeling na ipapakilala sa ibang pagkakataon.

Aralin 4 • Probabilidad at mga Distribusyon

Sinasaklaw ang mga patakaran ng probabilidad, random variables, at mga pangunahing distribusyon (normal, binomial, Poisson). Nagbibigay ng mathematical na pundasyon para sa lahat ng gawaing inferential.

Aralin 1 • Mga Algorithm ng Regression

Pinapalawak ang linear regression sa mga regularized model (Ridge, Lasso) at tree-based regressors. Hinuhulaan ng mga mag-aaral ang continuous outcomes at binibigyang-kahulugan ang mga coefficient.

Aralin 2 • Mga Pangunahing Konsepto at Workflow ng ML

Binibigyang-kahulugan ang training, validation, at test splits, bias-variance trade-off, at overfitting. Itinatag ang end-to-end ML pipeline na ginagamit sa bawat susunod na modelo.

Aralin 3 • Pagsusuri at Pagpili ng Modelo

Gumagamit ng cross-validation, confusion matrices, ROC-AUC, at RMSE upang suriin ang mga modelo. Pinipili ng mga mag-aaral ang pinakamahusay na modelo para sa isang ibinigay na gawain gamit ang mga obhetibong sukatan.

Aralin 4 • Mga Algorithm ng Classification

Sinasaklaw ang logistic regression, decision trees, k-NN, at support vector machines. Ang mga mag-aaral ay nagsasanay at nagkukumpara ng mga classifier sa mga may label na dataset.

Aralin 1 • Optimization ng Hyperparameter

Inilalapat ang grid search, random search, at Bayesian optimization upang i-tune ang mga modelo. Awtomatikong isinasagawa ng mga mag-aaral ang pagtu-tune at sistematikong dinodokumento ang mga nakuhang pagpapabuti sa performance (sukatan ng kahusayan ng negosyo o sistema).

Aralin 2 • Mga Pundasyon ng Neural Network

Bumubuo ng feedforward networks gamit ang Keras, sumasaklaw sa mga layer, activation, at backpropagation. Kinokonekta ang mekanika ng neural network sa mga modelo ng deep learning na susunod.

Aralin 3 • Mga Pangunahing Kaalaman sa Natural Language Processing

Sinasaklaw ang tokenization, TF-IDF, word embeddings, at transformer-based classification. Ang mga mag-aaral ay bumubuo ng text classifiers at sentiment analyzers.

Aralin 4 • Mga Ensembleng Pamamaraan

Sinasaklaw ang bagging, boosting, at stacking gamit ang Random Forest, XGBoost, at LightGBM. Tinu-tune ng mga mag-aaral ang mga ensemble upang makamit ang state-of-the-art na tabular performance (sukatan ng kahusayan ng negosyo o sistema).

Aralin 1 • Pagbuo ng REST APIs para sa mga Modelo

Binabalot ang mga sinanay na modelo sa FastAPI endpoints para sa real-time inference. Sinusubok, dinodokumento, at sini-secure ng mga mag-aaral ang mga API ng prediksyon.

Aralin 2 • Pag-package at Serialization ng Modelo

Nagse-save at naglo-load ng mga modelo gamit ang pickle, joblib, at ONNX para sa portability. Tinitiyak ang reproducibility sa iba't ibang environment at miyembro ng koponan.

Aralin 3 • Containerization gamit ang Docker

Pini-package ang mga API ng modelo sa mga Docker container para sa consistent at portable na deployment. Ang mga mag-aaral ay nagsusulat ng Dockerfiles at namamahala ng mga image para sa mga serbisyo ng ML.

Aralin 4 • Cloud Deployment at Pag-scale

Nagde-deploy ng mga containerized na modelo sa cloud platform gamit ang mga managed service. Kino-configure ng mga mag-aaral ang auto-scaling at load balancing para sa production traffic.