2023 資料科學課程 : 完整資料科學訓練營[附有簡體中文字幕]

Contents

完整的資料科學訓練 : 數學、統計、 Python、用 Python 實現進階統計、機器學習和深度學習

課程介紹影片

從這 31 小時的課程，你會學到

這門課程提供了你成為一名資料科學家所需的整個工具箱
將資料科學技能寫入你的履歷中 : 統計分析，使用 NumPy、pandas、matplotlib 和 Seaborn 做 Python 程式設計，進階的統計分析，Tableau，以統計模型(stats models ) 和 scikit-learn 做機器學習，用 TensorFlow 做深度學習
通過展示對資料科學領域的理解給面試官深刻印象
學習如何預先處理資料
理解機器學習背後的數學原理(其他課程絕對沒有教授的)
開始用 Python 編寫程式碼，學習如何使用它進行統計分析
在 Python 中執行線性和邏輯迴歸
實踐叢集( cluster )和因子( factor )分析
能夠在 Python 使用 NumPy、統計模型( stats models ) 和 scikit-learn 創建機器學習演算法
把你的技能應用到現實生活中的商業案例中
使用最先進的深度學習框架，如 Google 的 Tensorflow，開發出商業直觀，同時寫程式並以大數據完成任務。
展開深層神經網路的力量
改進機器學習演算法，透過研究欠彌合( underfitting )、過度彌合( overfitting )、訓練( training )、驗證( validation )、n-折疊交叉驗證( n-fold cross validation )、測試( testing )，以及如何超參數( hyperparameters ) 可改善性能
從你的手指熱身起來，因為你會渴望把你在這裡學到的一切都應用到越來越多的現實生活中

要求

不需有先前的經驗。我們將從最基本的開始
你將需要安裝一個 Anaconda，我們會一步一步教你。
Microsoft Excel 2003、2010、 2013、2016 或 365

課程說明

問題

資料科學家是本世紀最適合發展的職業之一。因數位化、物件導向、分析的趨勢，對資料科學家的需求於就業市場上急速增長也就不足為奇了。

然而，人才供給一直非常有限。要獲得資料科學家所需具備的技能不容易學習。

那麼你能怎麼做到？

大學在創建專門的資料科學專業培訓上進展緩慢。 (更不用說那些已知的都非常昂貴和耗費時間的)

大多數線上課程都集中在一個特定的主題上，很難理解他們所教授的技能在整個藍圖中如何融入。

解決方案

資料科學是個多學科領域。它包含了一系列廣泛的主題 :

了解資料科學領域以及執行的分析類型
數學
統計
Python
在 Python 應用進階統計技術
資料視覺化
機器學習
深度學習

每一個主題都建基在前面的主題之上。如果你沒有按照正確的順序學習這些技能，你可能會在途中迷罔。例如，一個人有可能在機器學習技術的應用上遇到困難，如果他沒有好的基礎數學基礎。或者，在知道迴歸是什麼之前，就進入 Python 實踐迴歸分析可能會覺得難以招架。

因此，為了創造最有效益、最有時效和結構化的線上資料科學培訓，我們製作了此 2022 資料科學課程。

我們相信這是第一個為進入資料科學領域面對挑戰提供解決方案的培訓計畫，學生可在一個地方獲得所有必要的資源。

此外，我們的教學著重主題的流暢和互補。這門課程教給你成為一名資料科學家所需要的一切，只需要傳統教學成本的一小部分(更不用說你將節省了多少時間)。

技能

1. 資料及資料科學簡介

大數據、商業智慧、商業分析、機器學習和人工智慧 – 我們知道這些流行語屬於資料科學領域，但它們都意味著什麼呢？作為一名資料科學家的候選人，你必須了解這些領域中的每一個細節，並認出解決問題的合適方法。這個”資料和資料科學入門”將會讓你對所有這些流行語以及它們在資料科學領域中的位置提供一個全面的視角。

為什麼要學？

作為一名候選資料科學家，你必須了解每個領域的來龍去脈，並認識到解決問題的適當方法。這本“資料和資料科學簡介”將讓你全面了解所有這些流行語以及它們在資料科學領域中的位置。

2. 數學

學習這些工具是做資料科學的第一步。你必須首先看到大藍圖，然後詳細深入每個部分。

我們對微積分( calculus )和線性代數( linear algebra )進行了詳細的說明，因為它們是資料科學所倚賴的子領域。

為什麼要學？

微積分和線性代數對資料科學的程式設計至關重要。如果你想要理解先進的機器學習演算法，那麼你的武器庫就需要這些技能。

3. 統計學

在你成為科學家之前，你需要像科學家一樣思考。統計學訓練你的思維將問題設定為假設，並給你測試這些假設的技巧，就像科學家一樣。

為什麼要學？

這門課程不僅僅是給你需要的工具，而且還教你如何使用它們。統計學訓練你像科學家一樣思考。

4. Python

Python 是一種相對較新的程式語言，與 R 不同，它是一個通用的程式語言。你可以用它做任何事情！網路應用、電腦遊戲和資料科學是它的許多應用之一。這就是為什麼在很短的時間內，它已經成功地顛覆了許多學科。極度強大的程式庫( libraries )已經開發出來，使資料操作、轉換和視覺化成為可能。然而，Python 真正的亮點在於它處理機器和深度學習。

為什麼要學？

當涉及到通過 scikit-learn、 TensorFlow 等強大的框架來開發、實現和佈署機器學習模型時，Python 是必備的程式語言。

5. Tableau

資料科學家不僅僅需要處理資料和解決資料驅動的問題，他們還需要說服公司高級主管做出正確的決定。這些管理人員可能並不精通資料科學，所以資料科學家必須能夠以易於理解的方式展現和視覺化資料說故事。這就是 Tableau 派上用場的地方——我們將幫助你成為一個專業的故事講述者，使用這在商業智慧和資料科學上領先的視覺化軟體。

為什麼要學？

一位資料科學家依靠商業智慧工具(如 Tableau ) 將復雜的結果傳達給非技術背景的決策者。

6. 進階的統計

迴歸、叢集和因子分析都是在機器學習之前發明的。然而，現在這些統計方法都是通過機器學習來進行的，以提供無與倫比的準確的預測。本節將詳細研究這些技術。

為什麼要學？

資料科學是關於預測模型，你可以通過這個”預先統計”部分成為這些方法的專家。

7. 機器學習

計畫的最後一部分，以及每個部分要帶你到達的是深度學習。能夠在工作中運用機器和深度學習經常是是資料分析師和資料科學家的區別所在。本部分涵蓋所有常用的機器學習技巧和 TensorFlow 的深度學習方法。

為什麼要學？

機器學習無處不在。像 Facebook、Google 和亞馬遜這樣的公司多年來一直在使用能夠自學的機器。現在是你控制機器的時候了。