دوره آموزشی مهارت های غیر فنی دانشمندان داده موثر
50 دقیقهمبتدی2024-02-27
مدرسین

Keith McCormick
Data Miner, Trainer, Speaker, Author
جزئیات دوره
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.
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.
مهارت ها
Data Science FoundationsPersonaPersonal DevelopmentData ScienceProfessional Development
سرفصل ها
0. مقدمه
- 01 - مهارتهای غیر آشکاری که دانشمندان باید به آن فکر کنند
1. علم داده چیست؟
- 02 - علم داده در مورد استنتاج و پیشبینی است
- 03 - تشخیص استنتاج در مقابل پروژههای پیش بینی
2. مهارتهای غیر فنی ضروری
- 04 - با اطمینان از زمین خود دفاع کنید
- 05 - در آغوش گرفتن ابهام
- 06 - همدلی شناختی
- 07 - شک و تردید
- 08 - کنجکاوی
- 09 - تعهد به هنر خود
- 10 - مدیریت هر دو بالا و پایین
- 11 - مترجم مؤثر تحلیلی بودن
- 12 - دیپلماسی
- 13 - اقناع
نتیجه گیری
- 14 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی تسلط بر داده ها: کاوش و توصیف داده ها
- دوره آموزشی کلانداده در عصر هوش مصنوعی
- دوره آموزشی مبانی علوم تصمیمگیری
- دوره آموزشی آیا نتیجه داد؟ ارزیابی برنامه در علم داده
- دوره آموزشی ارزیابی برنامه برای علم داده
- دوره آموزشی پاکسازی دادهها برای علم داده مؤثر: واردکردن دادهها، تشخیص ناهنجاری، پرکردن مقادیر گمشده و مهندسی ویژگیها
- دوره آموزشی یادگیری جامع اسکالا برای علوم داده