دوره آموزشی 15 اشتباه در علم داده که باید از آن اجتناب کنید
19 دقیقهمتوسط2020-10-19
مدرسین

Lucas Joppa
Environmental expert on sustainability in the tech industry

Louis Tremblay
Senior System Engineer

Sam Cvetkovski
Data Analytics Leader and Consultant

Lacey Westphal
Data Scientist, Manager of Academic Data Analysis

Sara Anstey
Data Analytics Consultant

Madecraft
Full-Service Learning Content Company
جزئیات دوره
به عنوان یک دانشمند داده، هدف شما این است که همیشه مهارتهای خود را افزایش دهید. اما، اگر این را بفهمید یا نه، ممکن است مرتکب اشتباهاتی شوید که شما را از حرکت به مرحله بعدی باز دارد. در این دوره، 15 اشتباه برتر علم داده را بیاموزید: درک نادرست از مشکلات تجاری، استفاده از ابزارهای اشتباه، شروع بدون برنامه و موارد دیگر. چهار دانشمند برجسته داده، دروس سختی را که درباره بیگانگی همکاران با اصطلاحات فنی، حرکت سریع و استفاده از اندازههای نمونه خیلی کوچک به دست آوردهاند، را بیاموزید. دریابید که چرا باید تمام تلاش خود را برای جلوگیری از تعصب انجام دهید - و از راه حلهای بیش از حد برای سهامداران خودداری کنید. بعلاوه، بیاموزید که چرا نوشتن کد سفارشی میتواند منجر به اتلاف وقت زیادی شود و چرا امیدوار کنندهترین بینش علم داده بدون یک داستان جذاب باعث سقوط میشود.
موضوعات شامل:
نکات ارتباطی
به روز بودن در مورد ابزارها و فنون
مستند کردن کار خود
اجتناب از سوگیری
کار با ذینفعان
موضوعات شامل:
نکات ارتباطی
به روز بودن در مورد ابزارها و فنون
مستند کردن کار خود
اجتناب از سوگیری
کار با ذینفعان
مهارت ها
Data Science FoundationsTech Career SkillsPersonaCybersecurityCloud ComputingData ScienceSoftware Development
سرفصل ها
0. مقدمه
- 01- از اشتباهات رایج برای برتری در علم داده اجتناب کنید
1. اشتباهاتی که باید اجتناب کنید
- 02-ارتباط با زبان بیش از حد فنی
- 03- نادیده گرفتن اصول
- 04- حرکت خیلی سریع
- 05-داشتن مجموعه داده بسیار کوچک
- 06- ناتوانی در اتخاذ ابزارهای جدید
- 07-عدم توجه به سطح تنوع
- 08- نداشتن مستندات
- 09- صرفاً تکیه بر آموزش رسمی
- 10- زمان زیادی برای به اشتراک گذاشتن نتایج
- 11-از جمله تعصب شما
- 12- راه حل های بیش از حد امیدوار کننده برای ذینفعان
- 13-ساخت ابزار از ابتدا
- 14-با فرض سطح دانش ذینفعان
- 15- داستان نگفتن با داده ها
- 16- عدم تایید با ذینفعان
نتیجه
- 17- در مسیر درست شروع کنید