تبدیل شدن به یک دانشمند داده - Become a Data Scientist

بهترین راه برای فهمیدن اینکه به عنوان یک دانشمند داده، در واقع کار چگونه است، گذراندن یک روز با یک فرد است. در این دوره می‌توانید یک روز از زندگی دانشمندان داده واقعی را که روی پروژه‌های واقعی کار می‌کنند دنبال کنید. دقیقاً به نظر می‌رسد که کار علم داده چگونه است - دریافت بینش در محل کار برای آماده‌سازی شما برای مقابله با چالش بعدی یا انتخاب نقش بعدی علم داده را کشف کنید که چگونه متخصصان شاغل، زمان را مدیریت می‌کنند، از اولین ساعت کار روز شروع می‌کنند، و وظایف اصلی مانند کاوش داده‌ها، کاهش تعصب و ارائه یافته‌های خود را بر عهده می‌گیرند. یکی دیگر از مواردی که جوانب مثبت را از بقیه جدا می‌کند، پردازش است و در فصل سه، می‌توانید ببینید که چگونه دانشمندان داده‌ها اتوماسیون، همکاری متقابل عملکردی و سایر تکنیک‌ها را در گردش کار خود ایجاد می‌کنند. به علاوه، یاد بگیرید که چگونه ابزارها را انتخاب کنید و از آنها استفاده کنید، به خوبی در تیم کار کنید و به مشتریان خود خدمات دهید. موضوعات شامل: مدیریت وظایف خود با لیست کارها در حال بسته بندی داده ها شناسایی مشکلی که می خواهید حل کنید گفتن داستان داده خودکار گزارش تجزیه و تحلیل تنظیم نقاط عطف اندازه گیری موفقیت انتخاب ابزارهای مناسب ساخت یک تیم علوم داده کار با تیم های از راه دور برقراری ارتباط با تیم خود کار با مشتری

بیشتر آموزشهای علوم داده فقط بر روی فناوریهای کلیدی تمرکز دارند. اما مشاغل علوم داده در دنیای واقعی نیاز به مواردی بیش از تیزبینی فنی ندارند. هنگامی که دانشمندان داده های جدید تمرکز خود را از کلاس به اتاق هیئت مدیره تغییر می دهند، اگر می خواهند پروژه هایی را ایجاد کنند که تحول تجاری ایجاد می کنند، باید بتوانند دیگران را همدل، متقاعد و رهبری کنند. این دوره برای کمک به شما در یادگیری این مهارت ها و سایر مهارت های غیر فنی طراحی شده است که می تواند به شما کمک کند اولین شغل علوم داده خود را به یک حرفه مادام العمر تبدیل کنید. وقتی مدل های پیش بینی تغییر ایجاد می کنند، باید چالش های قابل پیش بینی وجود داشته باشد در سازمانها در طول این دوره، مربی کیت مک کورمیک این چالش ها را پشت سر می گذارد و نشان می دهد که چگونه بر آنها غلبه کنید. کشف کنید که چگونه با اطمینان از کار خود در زمین کار دفاع کنید، کنجکاوی طبیعی خود را تقویت کنید، تعهد خود را نسبت به کار خود عمیق تر کنید، زبان تجزیه و تحلیل را به زبان تجارت، دیپلماسی عملی و موارد دیگر ترجمه کنید. موضوعات شامل: - ابهام ذاتی در پروژه های علوم داده را توصیف کنید. - همدلی شناختی و چگونگی دستیابی به آن را تعریف کنید. - نقش تردید، کنجکاوی، اقناع و دیپلماسی را در علم داده حرفه ای متمایز کنید. - فعالیت های مناسب برای ادامه پیشرفت حرفه ای را لیست کنید. - تعاملات مشترک بین دانشمندان و مدیران ارشد را شرح دهید. - زمان مناسب برای محدود کردن جزئیات در بحث را توصیف کنید.

فرصت های شغلی در علم داده، کلان داده و تجزیه و تحلیل داده ها به طور چشمگیری در حال رشد است. اگر شما علاقه مند به تغییر مسیرهای شغلی، تعیین دوره تحصیلی مناسب یا تصمیم گیری در مورد این هستید که آیا گواهینامه ارزش وقت شما را دارد یا خیر، این دوره برای شما مناسب است. Jungwoo Ryoo استاد علم و فناوری اطلاعات در پن ایالت است. در اینجا او تاریخچه علم داده و زمینه های فرعی آن را مرور می کند، بازارهای این زمینه ها را کاوش می کند و پنج زمینه اصلی مهارت را آشکار می کند: داده کاوی، یادگیری ماشین، پردازش زبان طبیعی (NLP)، آمار و تجسم. این منجر به بحث در مورد پنج فرصت شغلی بزرگ، شش گواهینامه برجسته شناخته شده در صنعت موجود و هیجان انگیزترین فناوری های نوظهور می شود. در طول راه، یونگ وو اهمیت اخلاق و پیشرفت حرفه ای را مورد بحث قرار می دهد و برای یادگیری بیشتر به منابع آنلاین اشاره می کند. اهداف یادگیری تاریخچه علم داده چرا تجزیه و تحلیل داده ها مهم است چگونه از علم داده در تشخیص تقلب، کنترل بیماری، امنیت شبکه و سایر زمینه ها استفاده می شود مهارت های علم داده نقش علم داده گواهینامه های علم داده آینده علم داده

علم داده در حال هدایت یک انقلاب جهانی است که همه چیز را از اتوماسیون کسب و کار گرفته تا تعاملات اجتماعی در بر می گیرد. این همچنین یکی از سریع‌ترین و پردرآمدترین مشاغلی است که از تحلیلگران و مهندسان در سراسر جهان استفاده می‌کند. این دوره یک نمای کلی غیر فنی و قابل دسترس از این رشته را ارائه می دهد که واژگان، مهارت ها، مشاغل، ابزارها و تکنیک های علم داده را پوشش می دهد. مربی بارتون پولسون روابط را با سایر زمینه های اشباع شده از داده مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوه‌های اولیه را بررسی می‌کند: جمع‌آوری و تجزیه و تحلیل داده‌ها، تدوین قوانینی برای طبقه‌بندی و تصمیم‌گیری، و ترسیم بینش‌های عملی. او همچنین در مورد اخلاق و مسئولیت پذیری بحث می کند و جهت کسب اطلاعات بیشتر را ارائه می دهد. در پایان، خواهید دید که چگونه علم داده می تواند به شما در تصمیم گیری بهتر، به دست آوردن بینش عمیق تر و موثرتر و کارآمدتر کردن کارتان کمک کند. اهداف یادگیری مهارت های مورد نیاز برای یک حرفه در علم داده را ارزیابی کنید. منابع مختلف داده از جمله معیارها و API ها را ارزیابی کنید. داده ها را از طریق نمودارها و آمار کاوش کنید. کشف کنید که دانشمندان داده چگونه از زبان های برنامه نویسی مانند R، Python و SQL استفاده می کنند. نقش ریاضیات، مانند جبر، در علم داده را ارزیابی کنید. نقش آمار کاربردی، مانند فواصل اطمینان، در علم داده را ارزیابی کنید. نقش یادگیری ماشینی، مانند شبکه های عصبی مصنوعی، در علم داده را ارزیابی کنید. مولفه های تجسم موثر داده ها را تعریف کنید.

آمار فقط قلمرو دانشمندان داده نیست. در همه مشاغل از آمار استفاده می‌شود. آمار برای تصمیم گیری، کشف جدید، سرمایه گذاری و پیش بینی مهم است. این موضوع نژادهای سیاسی، رتبه‌بندی ورزشی، روند خرید یا پیشرفت‌های بهداشتی باشد، آمار ابزاری برای درک موضوع مورد علاقه شما در سطح عمیق‌تر است. در این دوره، پروفسور Eddie Davila دروس سطح مبتدی را ارائه می‌دهد، بنابراین شما نیز می‌توانید بر اصطلاحات، فرمول‌ها و تکنیک‌های مورد نیاز برای انجام متداول‌ترین انواع آمار تسلط داشته باشید. او چندین نمونه از داده‌ها و نمودارها را پوشش می‌دهد. وی توضیح می‌دهد که چگونه می‌توان مجموعه داده‌های شما و همچنین میانگین و متوسط ​​را پیدا کرد. او محدوده را معرفی می‌کند، سپس به انحراف استاندارد می‌رود و اینکه چه کارهایی را باید با پره‌ها انجام داد. این تکنیک‌ها به شما کمک می‌کنند تا داده‌های خود را درک کنید، نظریه‌ها را اثبات کنید و در وقت، پول و سایر منابع ارزشمند صرفه جویی کنید - همه اینها با درک اعداد است.

مطمئن نیستید که به آمار احتیاج دارید؟ دوباره فکر کنید! آمار به تصمیم گیری، کشف جدید، سرمایه گذاری و پیش بینی کمک می‌کند. برای موضوعات مختلف از نژادهای سیاسی گرفته تا پیشرفت‌های مراقبت‌های بهداشتی، آمار می‌تواند درک شما از موضوع مورد علاقه شما را بهبود بخشد. در این دوره، پروفسور Eddie Davila اصطلاحات، فرمول‌ها و تکنیک‌های متداول مربوط به احتمال، حوزه آماری را که این دوره در آن تمرکز دارد، آموزش می‌دهد. او توضیح می‌دهد که از احتمالات برای تصمیم گیری در مورد نتایج آینده و درک نتایج گذشته استفاده می‌شود. او جایگشت‌ها، ترکیب‌ها و صدک‌ها را می‌پوشاند و به نحوه توصیف و محاسبه آنها می‌پردازد. ادی احتمالات متعدد رویداد را معرفی می‌کند و در مورد زمان افزودن و کم کردن احتمالات بحث می‌کند. او درختان احتمال، قضیه بیز، دوجمله و موارد دیگر را توصیف می‌کند. شما می‌توانید یاد بگیرید که داده‌های خود را درک کنید، نظریه‌ها را اثبات کنید و منابع ارزشمندی را ذخیره کنید - همه اینها با درک اعداد است.

ما برای داستان برنامه‌ریزی کرده‌ایم. ما مشتاق آن هستیم. قصه گویی نقش اساسی در توانایی ما برای پیشرفت به عنوان یک گونه داشته است. بنابراین جای تعجب نیست که ارائه داده‌ها و اطلاعات در قالب داستان، تأثیر ارتباطات ما را به حداکثر می‌رساند. وقتی داده‌ها را به صورت داستان ارائه می‌دهیم، می‌توانیم پاسخ‌های احساسی عمیق‌تری در مخاطبان خود ایجاد کنیم. با مربی Bill Shander متخصص تجسم داده‌ها همراه شوید زیرا وی شما را در فرآیند تبدیل `حقایق و ارقام` به `داستان` راهنمایی می‌کند تا انتظارات انسانی ما را برای کسب اطلاعات و جلب آنها برآورده سازد. این دوره برای هر کسی که با داده‌ها کار می‌کند در نظر گرفته شده است و مجبور است آن را به دیگران اعم از محقق، تحلیلگر داده، مشاور، بازاریاب یا روزنامه نگار اطلاع دهد. او با بررسی دقیق بسیاری از داستانهای جذاب به شما نشان می‌دهد که چگونه درباره داستان‌ها از داده‌ها فکر کنید و آنها را بسازید.

اعتیاد به بیگ دیتا ممکن است چندین سال پیش به اوج خود رسیده باشد، اما داده های بزرگ به دور از دسترس نیستند. در عوض، این پایه و اساس برخی از جالب ترین فن آوری های امروز را تشکیل می دهد. هوش مصنوعی (AI) ، یادگیری ماشین و دانش داده ها به داده های بزرگی متکی هستند یا داده هایی که به واسطه سرعت ، حجم و یا تنوع آن - به راحتی با روش های سنتی قابل ذخیره و تحلیل نیستند. در این دوره ، مدرس Barton Poulson به موضوع داده های بزرگ می پردازد و توضیح می دهد که چگونه این روش کار می کند و جهان داده های جدید ما را شکل می دهد. او رابطه بزرگ داده ها با هوش مصنوعی ، علوم داده ، رسانه های اجتماعی و اینترنت اشیاء (IoT) را توضیح می دهد. او بیش از برخی از مسائل اخلاقی در استفاده از داده های بزرگ فراتر می رود. به علاوه ، او تکنیک های درگیر در تجزیه و تحلیل داده های بزرگ ، از جمله داده کاوی داده ها و تجزیه و تحلیل پیش بینی را پوشش می دهد. موضوعات شامل: اجزای تشکیل دهنده داده های بزرگ را شناسایی کنید. بررسی کنید که داده های کلان طی چند سال گذشته چقدر رشد کرده اند. اهمیت استفاده از داده های بزرگ در سازمان های تجاری را توضیح دهید. بین دانش مورد نیاز برای استفاده از داده های بزرگ و درک علم داده تفاوت قائل شوید. نیاز به آموزش داده های بزرگ در داخل سازمان را توجیه کنید. عواملی را که برای استفاده از داده های بزرگ در یک پروژه استفاده می شود ، تجزیه و تحلیل کنید. نتایج حاصل از داده های بزرگ را از نتایج حاصل از مشاهده رفتارها متمایز کنید.

در عصر داده های بزرگ و علم داده، مدیریت داده ها این توانایی را دارد که به انواع سازمان ها و افراد در موفقیت بیشتر کمک کند. در این دوره، دکتر جاناتان ریچنتال مبحث حاکمیت داده ها را به گونه ای معرفی می کند که همه می توانند درک کنند، و به شما کمک می کند تا دریابید که چرا سازمان شما از حکمرانی داده ها سود می برد، چگونه اجرا می شود و چرا در رعایت و کاهش ریسک ضروری است. جاناتان همچنین نقش حاکمیت داده ها را در زمینه های فناوری نوظهور مانند نمودارهای دانش، هوش مصنوعی و اینترنت اشیا پوشش می دهد. در قسمت آخر دوره، او ایده هایی را درباره نحوه فکر سازمانها در مورد مدیریت، نظارت و اندازه گیری تلاشهای حکمرانی داده ها به اشتراک می گذارد. با توجه به اهمیت علم داده در قرن 21، تقاضا برای تخصص مدیریت اطلاعات نیز افزایش می یابد. برای اولین نگاه خود به این مهارت مورد نیاز اینجا را شروع کنید.

تجزیه و تحلیل داده ها فقط برای متخصصانی نیست که باید مجموعه داده های عظیم را درک کنند. تصمیم گیرندگان در هر صنعتی می توانند از درک اولیه اهداف و مفاهیم تجزیه و تحلیل داده های کاربردی بهره مند شوند. در این دوره، به بارتون پولسون بپیوندید زیرا او بر مبانی تسلط بر داده ها تمرکز می کند، یا توانایی کار با داده ها برای استخراج بینش و تعیین مراحل بعدی شما. بارتون نشان می دهد که چگونه کاوش داده ها با نمودارها و توصیف داده ها با آمار می تواند به شما در رسیدن به اهداف و تصمیم گیری بهتر کمک کند. به جای تمرکز بر ابزارهای خاص، او روی روشهای کلی تمرکز می کند که می تواند به شما در حل مشکلات خاص کمک کند. نحوه تهیه داده ها، کشف بصری و استفاده از روش های آماری برای توصیف آن را بیاموزید. اهداف یادگیری ROI روان بودن داده ها اخلاق داده ها آماده سازی داده ها ارزیابی کیفیت داده ها تجسم داده ها با نمودارهای میله ای، پایینی و خطی توصیف تنوع با واریانس و انحراف معیار توصیف ارتباطات با همبستگی

از دانشمندان عملی داده‌ها مشاوره و درس‌های واقعی بگیرید: از چگونگی استخدام تا تسلط بر مهارت‌های خود تا رشد در نقش خود. در این دوره ویژه، شما می‌توانید داستانهایی را از دانشمندان متداول داده که در مورد چگونگی شروع کار خود، نحوه بازی در نقش‌های مختلف و چگونگی ادامه مهارت‌های خود به اشتراک می‌گذارند، همچنین نکاتی برای عضویت تیم موثر و کمک به سازمانها برای نوآوری این شش متخصص کار، دیدگاهی دست اول در مورد علم داده ارائه می‌دهند که به هیچ جای دیگر نخواهید رسید. موضوعات شامل: سفرهای شغلی بهترین و چالش برانگیزترین قسمتهای کار ابزارهای مورد علاقه ایجاد مهارت های خود دنبال کردن مسیر مدیریت اندازه گیری موفقیت دانشمندان چگونه به تصمیم گیرندگان کمک می کنند

متداول ترین راه برای شروع کار در علوم داده ، تسلط بر جنبه های فنی شغل و سپس اقدام به کار در یک شرکت بزرگ است. اما بسیاری از موفق ترین دانشمندان داده نیز کارآفرینانی هستند که برای خودشان کار می کنند. در این دوره ، نحوه تنوع بخشیدن به آینده شغلی خود را با یک فشار جانبی کشف کنید. مربی کیت مک کورمیک نشان می دهد که چگونه می توانید از مهارت های علوم داده و تجزیه و تحلیل استفاده کنید به روش های مختلف - از نوشتن کتاب تا سخنرانی در کنفرانس ها. کیت چگونگی شروع شلوغی جانبی خود را در نوشتن با خدمت به عنوان یک بازرس فنی برای کتابهای فنی. وی توضیح می دهد که چگونه می توانید از تخصص علم تجزیه و تحلیل داده خود برای تبدیل شدن به یک مجری پولی در کنفرانس ها استفاده کنید. بعلاوه ، وی نحوه ایجاد اعتبار شما به عنوان مشاور ، مربی پاره وقت دانشگاه و موارد دیگر را شامل می شود. در طول راه ، کیت نکات و استراتژی هایی را برای استفاده بهینه از این سرمایه گذاری های جدید به اشتراک می گذارد پس از آنکه بخشی از نمونه کارهای حرفه ای شما شد.