Data Analytics Methods for Marketing (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-analytics-methods-for-marketing

简介: 课程名称：营销数据分析方法 课程概述：本课程探讨营销人员常用的数据分析方法。您将学习如何通过K均值聚类定义目标受众，探索线性回归如何帮助营销人员进行计划和预测。此外，您将学习使用实验和观察方法评估广告的效果，并探索优化营销组合的方法，包括营销组合建模和归因分析。最后，您将学习评估和优化销售漏斗形状。 完成该课程后，您将能够： - 描述数据分析在营销中最常用的场景 - 使用分析和变量描述理解受众 - 使用聚类分析将人群细分为不同的受众 - 利用历史数据规划多渠道营销 - 使用线性回归预测营销结果 - 描述营销组合建模 - 描述归因模型及其应用 - 评估广告效果并描述其不足之处 - 描述使用实验评估广告效果的方法 - 解释A/B测试的工作原理以及如何利用其优化广告 - 评估实验结果并评估实验的有效性 - 评估和优化销售漏斗 本课程适合希望学习如何规划和预测营销工作，以及评估和优化营销方法和销售漏斗的人士。学习者无须具备营销或数据分析经验，但应具备基本的互联网导航技能，并乐于参与。理想学习者已经完成该项目的第一课程（营销分析基础）、第二课程（数据分析入门）和第三课程（营销统计）。 课程大纲： 1. 发现受众与细分 - 描述：第一周，您将学习细分在营销中的重要性以及使用细分确定目标受众的不同方法。 2. 规划和预测的分析 - 描述：本周您将概述营销的常见描述性指标，包括广告支出回报率和投资回报率。您将了解到客户生命周期价值的重要性及如何利用线性回归分析进行营销结果预测。 3. 评估广告效果 - 描述：在第三周，您将深入使用实验评估营销效果，学习A/B测试及其如何帮助优化您的活动。 4. 优化营销组合 - 描述：在最后一周，您将学习营销组合建模和不同的归因模型，以及如何使用它们提出营销策略建议。您将学习可视化和分析销售漏斗，并使用这些信息来推荐营销活动的后续步骤。

Data and Business Process Modeling with Microsoft Visio (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-and-business-process-modeling-with-microsoft-visio

简介: 课程名称：使用 Microsoft Visio 进行数据与业务流程建模 课程概述：本课程旨在为您提供使用 Microsoft Visio 进行业务流程和数据建模的基本技能。在这个课程中，您将深入了解业务分析和数据建模的各个方面。通过使用 Microsoft Visio，学习者将创建有洞察力的业务流程和数据模型，并运用这些技能提升业务分析能力。 完成课程后，您将能够： - 识别并导航 Microsoft Visio 的用户界面 课程大纲： 1. **介绍 Microsoft Visio** 描述：在本模块中，您将探索 Microsoft Visio 如何帮助业务分析师理解和可视化业务的关键方面。您将学习如何有效捕捉和展示利益相关者的想法，以及使用 Visio 创建有价值的业务流程图、案例图、项目进度表和流程图的多功能特性。 2. **业务活动与流程建模** 描述：在本模块中，您将探索业务活动模型 (BAM)、业务流程建模符号 (BPMN) 和流程图的核心概念，并有机会运用所学知识通过 Microsoft Visio 进行实践。 3. **数据建模** 描述：在本模块中，您将探索使用 Microsoft Visio 进行数据建模的关键概念，包括创建实体关系图 (ER 图)、数据流图和数据字典。 4. **期末项目与评估：使用 Microsoft Visio 的业务流程与数据建模** 描述：在本模块中，您将把所学技能付诸实践。您将回顾课程中的关键学习要点，并完成最终的评估和动手活动。 通过本课程的学习，您将能够更有效地分析和建模业务流程及数据，从而提升在职场中的竞争力。

Data and Health Indicators in Public Health Practice (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-public-health

简介: 课程名称：公共卫生实践中的数据与健康指标 课程概述：流行病学常被视为公共卫生的基石科学。在公共卫生实践中，流行病学利用研究设计和分析来识别疫情中的病因，指导改善人口健康的干预措施，并评估项目和政策的效果。本课程将定义专业流行病学家在公共卫生服务、职能和能力方面的角色。在此基础上，我们将介绍问题解决方法，并演示如何在各种环境中使用该方法来识别问题、提出解决方案和评估干预效果。该方法依赖于可靠的数据，因此我们将深入探讨公共卫生数据系统，这些数据系统是流行病学的核心，最后我们将学习如何利用这些数据计算人群中的疾病负担。 课程大纲： 1. 介绍与问题解决方法：我们将介绍问题解决方法，该方法是识别公共卫生问题、建立真正存在问题的案例、建议干预措施及其评估和传播结果的重要工具。 2. 公共卫生中的数据源：我们将深入探讨流行病学的核心——数据！具体而言，我们将研究常规和公共卫生数据系统。 3. 疾病负担的衡量：我们将使用常规和公共卫生信息系统中的数据来衡量人群中的疾病负担。我们将计算粗死亡率，并应用直接和间接的年龄标准化方法。 4. 健康指标：我们将讨论健康指标，它们是衡量人口健康的重要指标。我们将探讨良好健康指标的特征，以提供选择公共卫生问题的健康指标的指导。接着，我们将以肝癌发生率这个健康指标为例，探索描述性流行病学，按照人、地点和时间对肝癌发生率进行分层，以提高我们在描述性流行病学方面的技能。

Data and Statistics Foundation for Investment Professionals (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-statistics-foundation-investment

简介: 课程名称：投资专业人士的数据与统计基础 课程概述：该课程旨在为投资专业人士或具有投资行业知识的学习者提供基本数据和统计技术的入门，奠定数据分析的基础，并介绍大数据和机器学习中常用的技术。课程中将涉及主题并提供实用案例，展示投资专业人士如何使用这些技术，包括利用适当的可视化和报告撰写展示“数据故事”的重要性。 你将在本课程中学到如何： - 解释基本统计度量及其在实际数据集中的应用 - 计算和解释离散程度的度量，解释与正态分布的偏差 - 理解不同分布的使用和适用性 - 比较和对比数据可视化的方法，并使用Python创建可视化图（无需先前的Python知识） - 解释抽样理论，并根据样本统计数据推断总体参数 - 针对投资问题制定假设 本课程是CFA Institute提供的数据科学为投资专业人士专业化的一部分。 课程大纲： 1. 中心趋势度量 2. 离散程度度量 3. 分布 4. 数据可视化技术 5. 抽样理论 6. 假设检验 7. 期末项目：该项目使你扮演一名初级分析师的角色，利用所提供的数据进行有意义的操作，并以书面报告的形式向经理呈现你的发现。该项目将考核你在整个课程中学到的多项内容，包括Python，最终评估占总评估的40%。

Data and Urban Governance (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-urban-governance

简介: 课程总结：数据与城市治理 本课程名为《数据与城市治理》，自2000年初以来，城市经历了数据的巨大涌入，这改变了城市的治理方式。数据在城市生活的结构上产生了深远影响，影响到联盟、参与者、工具、政策和监管形式。 在这个大规模在线课程（MOOC）中，我们将深入探讨这一转变：大数据的出现对城市治理产生了什么影响？平台是否扰乱了地方当局？大数据如何改变地方政治？我们如何利用算法进行治理？市民在数字城市中处于何位置？在城市中仍然有匿名的可能吗？ 完成本课程后，您将能够在数字时代导航城市治理的复杂格局，包括其众多参与者和工具；解读推动地方政府结构和运作持续变革的因素；分析当代市政服务市场的变化；理解当数据进入城市时公共政策的创建和实施所面临的挑战。 本MOOC由巴黎政治学院城市科学部的数字城市讲座提供，资助方包括邮政公司、RTE和存款保险公司。 课程视频采用知识共享BY NC许可。课程大纲包含几个主题模块：数据如何进入城市、数据与城市资本主义、数据与地域管理、数据与算法治理。

Data Center Security Management with Microsoft System Center (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-center-security-management-with-microsoft-system-center

简介: 课程名称：使用微软系统中心的数据中心安全管理 课程概述：该综合性课程旨在帮助学员深入理解现代安全原则和IT基础设施管理中的实践。参与者将探索涵盖数据中心安全、合规管理、事件响应和DevSecOps集成的关键模块。通过理论知识和实践演练，学员将掌握设计、实施和管理安全IT基础设施的能力，同时确保遵循相关法规。课程结束后，学员能够有效应对当今复杂的安全挑战。 课程大纲： 1. **数据中心安全管理简介** 本模块介绍数据中心安全管理的基本原则，重点在于微软安全管理系统的重要性，学员将学习识别和分类数据中心的一般安全威胁，并理解法规和合规要求。 2. **微软系统中心概述** 此模块深入探讨微软系统中心套件的功能和配置，学员将识别套件的各个组件及其在IT基础设施管理中的角色，并通过实践案例学习各种Microsoft技术下的系统中心配置管理。 3. **实施数据中心安全策略** 本模块探讨数据中心安全策略的类型和关键元素，学员将掌握在系统中心配置管理中配置端点安全策略的技能，以及监控安全策略和生成合规报告的流程。 4. **安全事件响应与修复** 本模块集中在安全事件管理和响应过程中，学员将学习识别和评估安全事件，探索有效的修复策略和最佳实践，以提升整体运营安全和灾难恢复能力。 5. **安全监控基础** 本模块提供安全监控原则和技术的基础知识，强调日志管理和分析在威胁检测和事件响应中的关键角色，帮助学员理解安全信息和事件管理（SIEM）系统的实现最佳实践。 6. **使用系统中心操作管理器（SCOM）进行安全监控** 该模块深入探讨SCOM的安全监控功能，学员将学习如何配置监控规则和警报，以有效检测威胁和响应事件。 7. **高级威胁检测与响应** 本模块讲述端点安全和网络监控战略，学员将研究端点检测与响应（EDR）系统及网络流量分析（NTA）基本原理，以增强对威胁的识别能力。 8. **安全监控最佳实践与案例研究** 该模块结合理论和实践，帮助学员构建安全监控体系，分析勒索软件攻击的案例研究，以强化应对策略。 9. **合规框架与标准** 本模块提供数据中心安全合规与标准的深入理解，学员将学习不同合规标准的要求，如PCI DSS和HIPAA，并开发有效的合规管理策略。 10. **使用系统中心配置管理器（SCCM）配置合规政策** 学员将学习在SCCM中配置和实施合规基线，以实现合规性并有效处理不合规问题。 11. **审计准备与管理** 本模块围绕确保组织为审计做好准备展开，学员将学习如何进行全面的内部安全审计和应对审计发现。 12. **数据中心安全中的自动化与DevSecOps** 该模块探讨自动化和DevSecOps原则与实践的集成，强调在开发过程中实现安全性的重要性，并学习持续合规与安全测试的方法。 通过本课程的学习，参与者将获得在当今安全环境中管理和提升IT基础设施安全性所需的全面知识和技能。

Data Collection and Processing with Python (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-collection-processing-python

简介: 课程名称：使用Python进行数据收集和处理 课程概述： 本课程将教您如何从互联网服务获取和处理数据。课程涵盖Python列表推导式，并提供机会练习从深层嵌套数据中提取和处理数据。您还将学习如何使用Python的requests模块与REST API进行交互，以及如何理解这些API的文档。在最终项目中，您将为Flickr照片共享网站构建一个“标签推荐系统”。 该课程非常适合已经完成“Python基础”和“Python函数、文件和字典”课程（Python 3编程专业化的第一和第二门课程）的学员。如果您已经熟悉Python基础知识，但希望练习从互联网服务中检索和处理复杂嵌套数据，您也可以无需要求完成之前的两门课程而受益于本课程。 这是Python 3编程专业化的第五门课程中的第三门。 课程大纲： 1. 嵌套数据和嵌套迭代 - 描述：在第一周，您将通过Runestone教材的视频讲座和活动，学习更复杂的数据结构。到本周末，您将学会如何处理json格式的数据，使用嵌套迭代遍历嵌套数据，并从中提取值。 2. 映射、过滤和列表推导式 - 描述：在第二周，您将学习更高级的数据积累形式。到本周末，您将学会如何使用map和filter函数结合其他函数对数据进行转换或过滤，并将结果存储在新的对象中。您还将学习如何使用列表推导式来累积数据。 3. 互联网API - 描述：在第三周，您将学习如何使用应用程序编程接口（API）从互联网请求数据。到本周末，您将学会如何访问一些API的数据，缓存已经请求的数据，并了解如何阅读和处理模块中未涉及的其他API。

Data Collection: Online, Telephone and Face-to-face (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-collection-methods

简介: 课程名称：数据收集：在线、电话和面对面 课程概述：本课程旨在研究数据收集决策如何影响调查误差，并非一门“如何操作”的数据收集课程。它回顾了调查设计决策和数据质量的文献，帮助学习者理解不同的调查设计如何可能影响所收集的数据。课程涵盖多种数据收集方法，包括基于采访的方法（面对面和电话）以及自我管理的方法（邮寄纸质问卷和在线调查）。混合模式设计以及收集敏感信息的几种混合方式也一并涉及，例如在面对面采访中自我管理敏感问题。课程还介绍了新兴的方法，如移动网络和短信采访，并探讨社会媒体等替代数据源。这门课程重点关注这些技术对调查数据质量的影响，包括测量误差、非响应和覆盖等问题，并评估研究者在选择模式或调查设计时在这些误差来源之间的权衡。 课程大纲： 模块1：介绍，经典调查数据收集模式 在本模块中，您将介绍一些关于调查数据收集方法的关键概念，为后续课程打下基础。学习结束后，您应熟悉主要的调查误差来源及其如何受到特定调查模式的影响。 模块2：自我管理，在线数据收集 本模块重点关注受访者自我管理问题并直接向研究者提供响应的模式。课程结束时，您将理解自我管理模式的优缺点。 模块3：采访者与采访 在本模块中，我们探讨采访者在提问和收集答案之外的各种角色，以及不同采访方法如何影响响应的准确性。学习结束时，您将能够欣赏到数据收集的优势和成本，并将其与自我管理的成本和好处进行比较。 模块4：新兴模式与新数据源 本模块关注一些新的数据收集模式，如移动网络调查和短信采访，以及传感器数据、行政数据和社交媒体等替代数据源。学习结束后，您将对调查方法学者和研究人员当前所关注的问题有更深入的认识，并能够权衡这些新方法和数据源的优缺点。

Data Ecosystem (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-ecosystem

简介: 课程名称：数据生态系统 课程概述：数据生态系统课程将为您提供整个数据生态系统的基础知识，包括数据管理。具体来说，本课程将展示商业智能分析师如何组织、访问和使用数据。您将学习各种数据源及其用途和目的。此外，您还将了解数据质量和数据治理在有效数据管理中的重要性，以及数据管理的目标。 课程大纲： 1. **数据来源**： 本周课题将帮助您了解作为分析师最基本的数据来源——电子表格！同时，您还将学习更复杂的数据来源，如数据库，以及组织如何使用不同的系统来管理这些数据。 2. **数据仓库**： 随着组织收集的数据越来越多，它们需要更复杂的系统来存储和管理这些数据。本周将探讨数据仓库和数据湖的使用，帮助您描述数据仓库的目的以及它们的常见结构，识别数据湖与数据仓库的关键区别。 3. **数据管理**： 本周将深入探讨机构如何确保数据在组织内可访问的同时保持安全性。您将学习良好数据管理的关键组成部分，包括数据质量管理、数据治理和数据架构，理解组织采用的实践以确保数据的可信性。 通过本课程，您将为成为一名成功的商业分析师奠定坚实的基础。

Data Engineering and Machine Learning using Spark (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-engineering-and-machine-learning-using-spark

简介: 课程名称：使用Spark的数据工程与机器学习 课程概述：在当今大数据时代，组织需要能够应用商业和技术技能处理非结构化数据（如推文、帖子、图片、音频文件、视频、传感器数据和卫星图像等）的高技能大数据从业者。该短期课程将使您掌握实用技能，通过学习如何利用Apache Spark来进行数据工程和机器学习应用。您将通过实践，使用Spark MLlib、Spark结构化流处理等工具执行抽取、转换和加载（ETL）任务，以及回归、分类和聚类分析。 课程以一个项目为结束，您将在项目中应用所学的Spark技能设计一个用于机器学习的ETL工作流程案例。 注意：本课程要求您具备Apache Spark和Jupyter Notebooks的基础技能。建议您在开始本课程之前完成IBM的《大数据简介与Spark和Hadoop》课程，以便获得所需技能。 课程大纲：

第一部分：Spark用于数据工程

描述：在本模块的开始，您将学习流数据的概念，以及如何使用Spark进行结构化流处理的基本知识。了解数据源、流输出模式和支持的数据目标，研究数据操作的注意事项，并发现Spark结构化流处理中的侦听器和检查点在处理流数据时的优势。此外，探索图论与流数据的关系，了解Apache Spark GraphFrames的优点，以及哪些特性使数据适合GraphFrames的处理。进一步探讨ETL的概念，并实践使用Apache Spark进行数据的提取、转换和加载，从而在机器学习管道的实践实验室中获得实际的、现实的技能。

第二部分：SparkML

描述：本模块将揭秘使用SparkML和Spark机器学习库的相关概念和实践。探索监督学习和无监督学习，学习如何支持分类和回归任务的SparkML。深入了解无监督学习，重点关注聚类，并探索如何使用Spark MLlib应用k-means聚类算法。课程最后的实验室将巩固您的学习，帮助您获得实际的Spark ML经验。

第三部分：期末项目

描述：这个期末项目将提供实战经验，您将创建自己的Apache Spark应用程序。该应用程序将作为一个端到端的用例，遵循提取、转换和加载（ETL）流程，包括数据获取、转换、模型训练和使用IBM Watson机器学习的部署。

Data Engineering Capstone Project (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-enginering-capstone-project

简介: 课程名称：数据工程顶点项目 课程概述：在本课程中，学员将应用在IBM数据工程专业证书课程中学习的各种数据工程技能和技术。学员将扮演一名新加入组织的初级数据工程师，并面临一个需要数据工程解决方案的真实案例。 课程大纲： 1. **数据平台架构与OLTP数据库** - 描述：在本模块中，您将设计一个使用MySQL作为OLTP数据库的数据平台，利用MySQL存储OLTP数据。 2. **在NoSQL数据库中查询数据** - 描述：在本模块中，您将设计一个使用MongoDB作为NoSQL数据库的数据平台，用于存储电子商务目录数据。 3. **构建数据仓库** - 描述：在本模块中，您将设计并实施一个数据仓库，并从数据仓库生成报告。 4. **数据分析** - 描述：在本模块中，您将担任一家电子商务公司的数据工程师。公司完成了数据仓库的搭建，您负责设计一个反映业务关键指标的报告仪表板。 5. **ETL与数据管道** - 描述：在本模块中，您将使用提供的Python脚本执行各种ETL操作，移动数据从RDBMS到NoSQL、从NoSQL到RDBMS，以及从RDBMS和NoSQL到数据仓库。您将编写一个管道，分析Web服务器日志文件，提取所需的行和字段，进行转换和加载数据。 6. **使用Spark进行大数据分析** - 描述：在本模块中，您将使用来自Web服务器的数据分析搜索术语，并加载预训练的销售预测模型，预测未来一年的销售预测。 7. **最终提交与同伴评审** - 描述：在最后一个模块中，您将完成自己的提交，包括来自实践实验室的截图供同伴评审。在完成提交后，您将审查并评分一位同伴的提交。 通过本课程，您将能够全面提升数据工程方面的实际操作能力。

Data Engineering on AWS - Foundations (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-engineering-on-aws-foundations

简介: 课程名称：AWS数据工程基础 课程概述：在本课程中，你将学习数据工程的基本概念，包括数据工程师的职责、如何进行数据发现，以及AWS可用于运行、自动化和保护数据解决方案与项目的数据服务。课程将介绍用于持续集成和持续交付（CI/CD）、基础设施即代码（IaC）、无服务器应用程序、成本优化和身份验证的数据工程工具。你还将了解数据工程师需要考虑的网络概念。

Data Engineering with MS Azure Synapse Apache Spark Pools (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-engineering-with-ms-azure-synapse-apache-spark-pools

简介: 课程名称：使用MS Azure Synapse Apache Spark Pools的数据工程 课程概述：在本课程中，您将学习如何利用Azure Synapse Apache Spark Pools进行数据工程，这能够通过内存集群计算提升大数据分析应用程序的性能。您将了解Apache Spark、Azure Databricks、HDInsight和SQL池之间的区别，以及在Azure Synapse Analytics中使用Apache Spark进行数据工程的应用场景。课程还将教授您如何在Azure Synapse Analytics中使用Apache Spark Notebooks进行数据摄取，以及如何在Apache Spark Pools中利用DataFrames进行数据转换。同时，您将学习如何在Azure Synapse Analytics中集成SQL和Apache Spark池，并监控和管理数据工程工作负载。 此课程是一个专业化课程的一部分，旨在为希望展示在使用Microsoft Azure数据服务方面设计和实施数据解决方案的专家，以及希望为DP-203：Microsoft Azure上的数据工程（beta）考试做好准备的人员提供帮助。您将进行一场包含证书考试的关键技能的模拟测试。 这门课是10门课程项目中的第六门，旨在帮助您准备参加考试，以便在使用Microsoft Azure数据服务设计和实施数据解决方案方面具备专业知识。参加Microsoft Azure上的数据工程考试是证明您在从各种结构化和非结构化数据系统中集成、转换和整合数据方面的知识和专业技能的机会，为构建基于Microsoft Azure数据服务的分析解决方案提供适用的数据结构。每门课程教授的概念和技能均是证书考试的测评内容。 完成该专业化课程后，您将准备好报名参加DP-203：Microsoft Azure上的数据工程（beta）考试。 课程大纲： 1. 大数据工程 - 在这个模块中，您将学习如何区分Apache Spark、Azure Databricks、HDInsight和SQL池。此外，您还将学习如何在Azure Synapse Analytics中使用Apache Spark Notebooks进行数据摄取，以及如何在Apache Spark Pools中利用DataFrames进行数据转换。 2. 在Azure Synapse Analytics中查询池并管理工作负载 - 学习如何在Azure Synapse Analytics中集成SQL和Apache Spark池，并监控和管理Apache Spark的数据工程工作负载。 3. 使用Azure Synapse Apache Spark Pools进行数据工程的模拟考试 - 针对使用Azure Synapse Apache Spark Pools进行数据工程的模拟考试。

Data for Machine Learning (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-machine-learning

简介: 课程名称：机器学习的数据 课程概述：本课程深入探讨数据在应用机器学习模型成功中的关键作用。完成此课程后，学习者将掌握以下技能： - 理解数据在学习、训练和操作阶段的关键要素 - 理解偏差和数据来源 - 实施改进模型普适性的技术 - 解释过拟合的后果并识别缓解措施 - 实施适当的测试和验证措施 - 展示通过合理的特征工程提升模型准确性的方法 - 探索算法参数对模型强度的影响 成功完成本课程的前提是具备基础的Python编程知识（例如，能够阅读和理解现有代码，熟悉条件语句、循环、变量、列表、字典和数组等）以及基础的线性代数（向量表示）和统计学（概率分布和均值/中位数/众数）知识。 该课程是Coursera和阿尔伯塔机器智能研究所联合推出的应用机器学习专业的第三个课程。 课程大纲： 1. 什么是好的数据？ - 描述如何从杂乱无章、未处理的数据过渡到干净的学习数据，以及成功数据准备所需的流程。 2. 为机器学习成功准备数据 - 聚焦于如何将已识别的数据源整合起来，以全面准备数据。 3. 为更多乐趣与利润的特征工程 - 讨论如何将通用数据转化为特定机器学习项目的成功燃料。 4. 坏数据 - 探索在数据识别和处理过程中可能出现的陷阱。

Data Ingestion, Exploration & Visualization in Qlik Sense (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-ingestion-exploration--visualization-in-qlik-sense

简介: 课程名称：Qlik Sense中的数据摄取、探索与可视化 课程概述：该课程是一个中级课程，旨在帮助学习者继续他们使用Qlik Sense进行数据可视化的旅程。Qlik Sense是一款强大的商业智能工具，数据准备和摄取是数据可视化的关键前提。本课程不仅深入探讨了这一概念，还涵盖了其他重要的中级主题，如过滤器、表达式和个性化设置。 课程大纲： 本课程的内容涵盖了数据摄取、探索和可视化，帮助学习者掌握使用Qlik Sense所需的技能，强调数据准备的重要性以及如何有效利用过滤器和表达式进行个性化的数据分析。

Data Integration with Microsoft Azure Data Factory (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/azure-data-factory-data-integration

简介: 课程名称：使用Microsoft Azure Data Factory进行数据集成 概述：本课程将教授如何使用Azure Data Factory在云中创建和管理数据管道。该课程是一个专业化学习的一部分，旨在帮助数据工程师和开发人员展示他们在设计和实施使用Microsoft Azure数据服务的数据解决方案方面的专业知识。它非常适合希望为DP-203：Microsoft Azure的数据工程考试（测试版）做好准备的人员。 这是帮助学员准备参加DP-203考试的10门课程中的第三门。数据工程考试是证明在集成、转换和整合来自各种结构化和非结构化数据系统的数据方面的知识的机会，目标是构建适合使用Microsoft Azure数据服务的分析解决方案。每门课程都教授与考试相关的概念和技能。 通过这项专业化学习，您将准备好注册并参加DP-203：Microsoft Azure的数据工程考试（测试版）。 课程大纲： 1. **与Azure Data Factory或Azure Synapse Pipeline集成数据** - 描述Azure Data Factory的核心组件，使您能够在云中创建大规模数据摄取解决方案。 2. **使用Azure Data Factory或Azure Synapse Pipeline进行PB级摄取** - 描述可以使用Azure Data Factory在不同数据存储之间摄取数据的各种方法。 3. **在Azure Data Factory或Azure Synapse Pipeline中进行无代码大规模转换** - 在没有使用代码的情况下执行常见数据转换和清理活动。 4. **在Azure Data Factory或Azure Synapse Pipeline中协调数据移动和转换** - 使用Azure Data Factory协调大规模数据移动，结合其他Azure数据平台和机器学习技术。 5. **在Azure Data Factory或Azure Synapse Pipeline中执行现有SSIS包** - 将SQL Server Integration Services包集成到Azure Data Factory解决方案中。 6. **将您的Azure Data Factory或Azure Synapse Pipeline投入运营** - 发布您在不同环境中的Azure Data Factory工作。 7. **使用Azure Data Share接收数据并与Azure Data Factory进行转换** - 从Azure Data Share摄取数据到Azure Data Factory管道，以建立自动化摄取管道。 8. **课程实践考试** - 在大规模的Azure Data Factory或Azure Synapse Pipeline中进行数据集成的实践考试。 通过学习本课程，您将获得所需的知识和技能，能够有效地使用Azure Data Factory来处理和集成数据，为将来的职业发展打下坚实的基础。

Data Integration, Data Storage, & Data Migration (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-integration-storage-migration-strategies

简介: 课程名称：《数据集成、数据存储与数据迁移》 课程概述：数据集成、数据存储和数据迁移是数据专业人士的核心技能。根据IoT Analytics的预测，到2030年，数据管理的需求将增长140%，这些技能因此备受欢迎！作为IBM数据管理专业证书的一部分，本课程将帮助有志于成为数据管理者的学员掌握雇主所需的基本技能。 课程内容： 1. **数据集成**： - 本模块分为三个部分，探讨数据集成的各个方面。 - 第一课：学习数据集成及其著名的实施模式。 - 第二课：研究数据连接器及其在有效数据集成中的重要性。 - 第三课：了解数据集成操作管理（DIOM）及相关问题，包括安全性、架构以及使用的工具。 2. **数据存储**： - 本模块同样由三个部分组成，探讨数据存储的各种方面。 - 第一课：数据存储概述及关键概念，包括文件、块、对象和混合存储架构及其使用场景。 - 第二课：聚焦云存储，因其在各行业的广泛应用。 - 第三课：学习备份的重要性及常见的备份技术。 3. **数据迁移与最终项目**： - 本模块涵盖数据迁移概念及相关术语。 - 第一课：关注迁移架构和不同的数据迁移流程。 - 第二课：了解数据迁移到组织数据中心的物理位置以及云间迁移。 - 最后，完成一个综合项目，让学生扮演虚构大型零售连锁店的初级数据迁移专家，协助首席架构师提出将传统系统中的数据迁移到统一数据湖的方案和过程。 通过本课程，学员将掌握数据集成、存储和迁移的最佳实践，为未来的数据管理职业打下坚实的基础。

Data Literacy Capstone – Evaluating Research (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-literacy-capstone-evaluating-research

简介: 课程名称：数据素养顶点课程 – 评估研究 概述：这是数据素养专业化的最后一门课程。在这门顶点课程中，您将运用在专业化过程中所获得的技能和知识，进行对一项原创定量分析的批判性评估。项目将要求您首先挑选和阅读一篇高质量的原创定量研究，主题由您自己选择。接着，您需要解读和评估研究结果及其方法论。此外，您还将对其他学生的提交作品进行审阅。项目结束时，您将能够成为定量研究的批判性消费者和用户。 课程大纲： 第一部分：顶点项目概述 描述：欢迎来到数据素养专业化的顶点课程！顶点项目将使您能将整个专业化过程中所学的知识和技能应用于对一项已发表学术作品的评估。在这一模块中，我将介绍项目的目的和组成部分。 第二部分：寻找优质学术作品 描述：在这一模块中，我将提供信息，帮助您找到将在顶点项目中评估的文章或报告。我们将探讨经常发表高质量原创定量研究的来源，并讨论原始研究与二次研究之间的区别。 第三部分：最终论文提交 描述：欢迎来到数据素养专业化的最后一模块。在这一模块中，您将完成并通过同行评审系统提交您的顶点项目。您还将审阅三篇来自其他学生的提交作品。我希望这门专业化课程能为您提供一套工具和技能，让您能够成为定量研究的批判性消费者和用户。

Data Literacy – What is it and why does it matter? (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-literacy-what-is-it-and-why-does-it-matter

简介: 课程名称：数据素养 – 它是什么，为什么重要？ 课程概述：您可能已经知道，数据并不是中立的。我们的价值观和假设受到我们周围数据的影响——我们创造的数据、我们收集的数据以及我们互相分享的数据。经济需求、社会结构或算法偏见会对我们收集和使用数据的方式产生深远的影响，通常结果是世界不平等加剧。数据还改变了我们的互动方式，塑造了我们的思维、情感、偏好和行动，决定了我们可以接触到什么，以及无法接触到什么。它使最佳实践和改善生活的技术得以全球传播，同时也传播了不信任和极端主义。这就是为什么数据素养如此重要。 数据素养的一个关键原则是提高对数据驱动技术风险和机遇的认识，并保持对其后果的最新了解。本课程从三个视角探讨数据素养：个人生活中的数据、社会中的数据，以及知识生产中的数据。课程的目标有三：1. 扩展您识别、理解和解释数字技术在日常生活中多重角色的技能和能力；2. 使您能够判断数据驱动技术何时为人们的生活增值，何时利用人类脆弱性或损害公域；3. 培养对数据驱动技术如何塑造知识生产的更深刻理解，以及如何将其与人类真正的需求和价值观重新对齐。 本课程由Erasmus+资助，并由4EU+大学联盟开发，包括捷克查尔斯大学、索邦大学、哥本哈根大学、米兰大学和华沙大学。 课程大纲： 1. 模块名称：您的生活中的数据 描述：如果您使用Google并查看您的Google仪表板，您可能会对该公司收集的您在线活动的数据感到惊讶。想想其他互联网服务、社交媒体网站和可能记录您健康、行为和倾向的数据库。在此模块中，我们将探讨用户跟踪和信息收集，定义个人数据，并讨论管理个人数据披露的限制。随后，我们将介绍数据保护和处理的法律框架。 2. 模块名称：网络数据、真相与民主 描述：在这一模块中，我们扩展了第1模块，探讨网络数据和算法如何影响我们的世界观。从最佳实践和生活改善技术的全球传播，到仇恨和极端主义的传播，我们追踪数据驱动技术为人们的生活增值和利用人类脆弱性的机制。 3. 模块名称：数据驱动的知识生产 描述：大数据和新型计算方法革命性地改变了我们的知识创造方式。我们将通过实例展示这种知识的应用及其对人类未来的影响。我们将关注人工智能研究、计算社会科学、机器学习和教育，通过这些实例，努力培养对数据驱动技术如何塑造社会结构、增强人类能力以及改善我们对地球管理的更深刻理解。

Data Management and Storage in the Cloud (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-management-and-storage-in-the-cloud

简介: 课程名称：云端数据管理与存储 概述：嗨！这是谷歌云数据分析证书的第二门课程。这里将带您了解数据治理的关键组件、规范化和星型模式、数据目录以及数据湖屋架构的基本概念。 课程大纲： 1. **云端数据管理与存储简介** 描述：揭开云端数据组织的奥秘！这个模块将深入探讨数据的不同形式、存储方式以及数据的移动方式（想象一下API和连接器就像你的数据运输巫师）。准备好了解构建良好管理数据系统的基础要素。 2. **数据组织的关键组件** 描述：提升您的数据组织技能！在这个模块中，您将解码数据治理、模式（数据蓝图）及数据湖屋的力量。了解这些概念如何协同工作，创建一个既强大又易于导航的数据系统。 3. **数据查找的步骤** 描述：是时候进行数据寻宝了！在这个模块中，您将利用谷歌云工具，如BigQuery和Dataplex，追踪、访问及存储所需的数据。将其视为解决复杂商业问题的数字侦探工具包。 4. **访问数据的技巧** 描述：成为数据的使者！此模块将教您如何与数据表交流，并超级提升查询速度，以获得快速见解。您将探索基于云的数据湖和数据仓库的力量，从而自信地回答棘手的商业问题。 通过本课程，学员将提升在云端环境中管理和组织数据的能力，掌握数据治理及存储的最新技术，为未来的数据分析奠定坚实基础。

Data Management and Visualization (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-visualization

简介: 课程名称：数据管理与可视化 课程概述： 在当今数据驱动的时代，数据已成为成功的重要组成部分，无论是为了量身定制广告还是简化小型餐厅的库存订购。很多时候，我们并不知道如何利用数据来找到那些能够推动我们成功的答案。在本课程中，您将了解到数据的基本概念，并思考有哪些问题可以通过数据来解答，即使您以前从未考虑过数据。您将学习如何基于现有数据制定研究问题，描述变量及其关系，计算基本统计数据，并清晰地呈现您的结果。课程结束时，您将能够使用强大的数据分析工具（如SAS或Python）来管理和可视化您的数据，包括如何处理缺失数据、变量分组和图形展示。课程中的分享环节将帮助您获得宝贵的反馈，同时了解同伴如何使用数据解答他们的问题。 课程大纲： 1. **选择研究问题**： 欢迎来到韦斯利大学的数据分析与解释专业。本节我们将讨论数据分析的基础知识。您的任务是选择一个数据集进行研究，并查看现有的代码书，以帮助您制定自己的研究问题。同时，您将创建一个Tumblr博客，以反思您的经历、提交作业并与他人共享您的作品。 2. **编写您的第一个程序 - SAS或Python**： 本节我们将讨论如何编写一个基本程序，以加载数据集并检查频率分布。您需要编写一个程序，帮助您探索为自己的研究问题选择的变量。您可以选择使用Python或SAS，所有资源均可免费获取，我们提供了一份有用的指南来支持您的选择。 3. **数据管理**： 本节将帮助您更有效地做出数据决策。统计学家通常称这个过程为“数据管理”，而计算机科学家则称之为“数据处理”。无论您如何称呼它，这都是处理数据时一个至关重要的和持续的过程。您的任务是写一个程序来管理您为自己的研究问题选择的变量。 4. **补充材料（所有周次）**： 本节提供课程的补充学习资源，帮助学生深入理解和消化课程内容。

Data Management for Clinical Research (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/clinical-data-management

简介: 课程名称：临床研究的数据管理 课程概述：本课程介绍了为支持临床研究中数据的规划、收集、存储和传播而需要的关键概念和实践方法。理解并实施坚实的数据管理原则对任何科学领域都是至关重要的。无论您在研究工作中的当前角色或预期角色是什么，掌握数据管理的基本知识和技能将提升您的生产力并改善您的研究质量。我们的目标是通过这些模块帮助您学习和实践这些技能。 本课程对技术的当前知识要求很低，仅需能够操作网页浏览器。我们将重点关注实践课程、短测验和动手练习，共同探讨数据管理的最佳实践。 课程大纲： 1. **研究数据收集策略**：本模块回顾了课程结构和临床研究的基本概念，并讨论了设计您临床研究数据收集的最佳实践。 2. **电子数据采集基础**：本模块涵盖研究过程的标准、合规性概念以及电子数据采集的基础知识。 3. **前瞻性研究的数据策略规划**：本模块审查为真实世界研究设计数据元素的过程。 4. **实践所学：实施**：这一周，我们在REDCap中为“吗啡与Marinol研究”设置电子数据采集（EDC）工具，并回顾研究运行期间的数据处理过程，包括关键数据质量操作的概述。 5. **研究后活动及其他考虑事项**：在这一周，我们涵盖了结束研究和分享数据与结果的活动，以及关于研究中可使用的其他电子数据来源的两次讲座。应学习者的要求，我们还增加了几次关于资源有限环境中的临床数据管理的讲座，与印第安纳大学的研究同事合作。这一周的视频较长，但下一周将较短以作交换！ 6. **使用调查收集数据**：在最后一周，我们讨论如何使用调查收集数据并一起回顾一个示例。本周的作业包括设计、分发和汇报您自己的调查。 通过本课程，您将掌握临床研究数据管理的基本技能，为您的研究工作奠定坚实的基础。

Data Manipulation at Scale: Systems and Algorithms (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-manipulation

简介: 课程名称：大规模数据处理：系统与算法 课程概述： 在证据基础的决策制定中，数据分析已经取代数据获取成为瓶颈。我们正被海量的异构和嘈杂的数据淹没。从大型数据集中提取知识，不仅需要强大的计算资源，更需要有效利用这些资源的编程抽象。过去十年中出现的抽象结合了并行数据库、分布式系统和编程语言的概念，创造出了一种新的可扩展数据分析平台，这些平台为实际规模下的数据科学奠定了基础。 在本课程中，您将学习相关系统的全景、它们所依赖的原则、权衡以及如何根据要求评估它们的实用性。您还将了解如何从计算机科学前沿研究中推导出实用系统，并了解未来将出现的系统。课程内容将涵盖云计算、SQL和NoSQL数据库、MapReduce及其衍生的生态系统、Spark及其 contemporaries，并且研究针对图和数组的专用系统。 您还将了解数据科学的历史和背景、所涉及的技能、挑战和方法论，以及如何构建一个数据科学项目。完成本课程后，您将能够： 学习目标： 1. 描述与数据科学项目相关的常见模式、挑战和方法，以及它们与相关领域项目的不同之处。 2. 确定并使用与可扩展数据处理相关的编程模型，包括关系代数、MapReduce和其他数据流模型。 3. 使用适用于大规模分析的数据库技术，包括驱动并行数据库、并行查询处理和库内分析的概念。 4. 评估键值存储和NoSQL系统，描述它们与可比较系统的权衡，以及这一领域中重要示例的细节和未来趋势。 5. 在MapReduce的思维框架下有效编写包括Hadoop和Spark在内的系统算法。您将理解它们的局限性、设计细节、与数据库的关系，以及相关算法、扩展和语言的生态系统。 6. 描述用于图、数组和流的专门大数据系统的全景。 课程大纲： 第一部分：数据科学背景与概念 说明：了解与数据科学相关的术语和反复出现的原则，以及数据科学项目的结构和新兴方法论。探讨这个新兴领域的存在原因、与其他领域的关系，以及本课程的独特之处。了解数据科学项目的样貌以及它们应如何被处理，并提供一些数据科学项目的示例。 第二部分：关系数据库与关系代数 说明：关系数据库是大规模数据管理的主力。尽管最初受到企业运营中问题的驱动，但它们在分析方面同样表现出色。更重要的是，关系数据库背后的原则在大规模数据的管理、操作和分析中是普遍适用的。即使在过去十年中，大规模数据系统的格局发生了巨大的变化，关系模型和语言仍然是一种统一的概念。在处理大规模数据时，没有比这更重要的编程模型了。 第三部分：MapReduce与并行数据流编程 说明：MapReduce编程模型（与其实现不同）被提出作为一种用于并行处理海量数据集的简化抽象，仍然是使用和评估现代大数据平台时必须了解的重要概念。 第四部分：图分析 说明：由于图结构数据在建模实体之间的沟通（如社交网络、互联网通信、城市与国家的交通网络，或财经交易中的公司）中越来越普遍，因此在数据科学环境中也越来越常见。学习从图数据中提取信息的常见算法及其扩展方法。

Data Manipulation in JavaScript (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/javascript-data-manipulation

简介: 课程名称：JavaScript中的数据操作 课程概述：本课程在前一课程的基础上，进一步深入学习如何使用JavaScript管理和操作数据。您将学习如何验证和处理用户提供的数据或来自外部数据源的数据。课程包括一个挑战，即座位预订系统，以及一个从外部数据源获取数据的项目。 课程目标：学习JavaScript和jQuery中的验证基础；jQuery表单验证插件功能；箭头函数；异步函数；以及JavaScript事件循环。 课程大纲： 1. 模块名称：启动与用户数据收集及验证 - 描述：在本模块中，您将回顾和创建HTML表单元素，为表单验证做准备。您将了解到基本的表单验证，讨论服务器端和客户端验证的区别及其目的。此外，您将探索jQuery验证插件中的一些高级功能，并完全掌控信息呈现给用户的方式。 2. 模块名称：深入JavaScript - 描述：本模块将介绍JavaScript中的原型继承概念，展示其对对象的影响。您将深入了解箭头函数，作为传统函数表达式语法的替代方案，并在适当时将函数表达式转换为箭头函数。此外，您将开始一个更复杂的脚本项目，功能更加丰富。 3. 模块名称：座位预订程序 - 描述：在本模块中，您将获得前一模块中提出的挑战的可能解决方案。您可以使用最佳实践对代码进行重构，并修复应用中的最后错误。您将创建一个用于从seatReservations对象获取数据的通用函数，并使用DOM操作技术和逻辑流程控制结构更新网页上的必要元素。通过JavaScript创建300个遵循特定命名模式的独特对象，展示代码重构和编程中的DRY原则，并解决用户在预订座位时可能遇到的错误，能够显示和隐藏座位预订表单。 4. 模块名称：在JavaScript中异步处理数据 - 描述：本模块将介绍异步JavaScript，探索异步检索数据的方法。您将更深入了解JavaScript如何处理事件，并使用JavaScript的方法与服务器文件进行数据的发送和接收，构建一个可用的网站联系表单。您将接触到第三方API，并使用异步方法检索和显示这些API的信息。同时，您还将探索如何操作来自第三方API的数据，并有机会参与荣誉项目（如果愿意）。 这门课程将为您提供在JavaScript中处理数据的深入知识和实用技能。

Data Manipulation in RPA (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-manipulation-in-rpa

简介: 课程名称：RPA中的数据处理 概述：RPA中的数据处理课程将为您提供有关变量、参数和数据处理的知识。课程将介绍变量和参数的类型，以及它们在自动化项目中的应用。在课程的后半部分，您将了解在Studio中的数据处理。您还将学习对不同数据类型进行的不同方法和操作及其在自动化项目中的使用。每个概念都将通过演示视频进行详细讲解，这些视频将解释这些操作和方法。 课程包含多个实践练习，帮助您巩固知识并理解在Studio中创建工作流的过程。 课程大纲： - 模块1：变量简介 描述：本模块介绍了UiPath中的变量及其类型。您还将了解变量在工作流中的作用域。 - 模块2：参数简介 描述：本模块介绍了参数、它们的方向和属性。您还将学习使用参数面板来管理参数。 - 模块3：数据处理及其重要性 描述：本模块介绍了数据处理及其在自动化中的重要性。您还将学习在Studio中用于处理和转换数据的不同方法和操作。 - 模块4：字符串和DataTable处理 描述：在本模块中，您将学习在Studio中进行字符串和DataTable处理的方法和技巧。 - 模块5：集合、其类型和处理 描述：在本模块中，您将学习集合变量及其类型。您还将了解处理集合变量的方法。 通过本课程，您将掌握在RPA项目中数据处理的关键技能。

Data Mining Methods (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-mining-methods

简介: 课程名称：数据挖掘方法 概述：本课程涵盖数据挖掘中的核心技术，包括频繁模式分析、分类、聚类、异常值分析，以及复杂数据挖掘与数据挖掘领域的研究前沿。数据挖掘方法课程可以作为科罗拉多大学博尔德分校数据科学硕士学位（MS-DS）的一部分，通过Coursera平台获得学术学分。MS-DS是一个跨学科的学位，汇集了来自应用数学、计算机科学、信息科学等多个部门的教师。由于基于表现的招生标准，没有申请流程，MS-DS非常适合拥有广泛本科教育背景和/或计算机科学、信息科学、数学和统计学专业经验的个人。更多关于MS-DS项目的信息请访问 https://www.coursera.org/degrees/master-of-science-data-science-boulder。 课程大纲： 1. **频繁模式分析**：本周介绍课程的概述，重点讲解频繁模式分析，包括频繁项集挖掘的Apriori算法和FP-growth算法，以及关联规则和相关性分析。 2. **分类**：本周介绍监督学习、分类和预测，涵盖多个核心分类方法，包括决策树诱导、贝叶斯分类、支持向量机、神经网络和集成方法。同时讨论分类模型的评估和比较。 3. **聚类**：本周介绍无监督学习和聚类，覆盖多个核心聚类方法，包括划分聚类、层次聚类、网格基础聚类、基于密度的聚类和基于概率的聚类。还讨论了高维聚类、双聚类、图聚类和约束聚类等高级主题。 4. **异常值分析**：本周讨论三种不同类型的异常值（全球异常、上下文异常和集体异常），以及如何使用不同的方法来识别和分析这些异常值。同时涵盖了一些用于挖掘复杂数据的高级方法，以及数据挖掘领域的研究前沿。

Data mining of Clinical Databases - CDSS 1 (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/cdss1

简介: 课程名称：临床数据库的数据挖掘 - CDSS 1 课程概述：本课程将介绍MIMIC-III，这是最大的公共电子健康记录（EHR）数据库，可用于基准测试机器学习算法。特别是，您将学习该关系数据库的设计，查询、提取和可视化描述性分析的工具。理解数据库的架构和国际疾病分类编码对于如何将研究问题映射到数据以及提取关键临床结果，从而开发出临床有用的机器学习算法至关重要。 课程大纲： 1. **电子健康记录与公共数据库** - 本模块将介绍MIMIC-III，这是最大的公共电子健康记录（EHR）数据库，用于基准测试机器学习算法。您将学习此关系数据库的设计以及可用于查询、提取和可视化描述性分析的工具。了解架构和国际疾病分类编码的重要性，以便将研究问题映射到数据和提取关键临床结果。 2. **MIMIC III作为关系数据库** - 本周讨论MIMIC III数据库的基本结构并进行实用练习，学习如何提取和可视化汇总统计信息。我们将理解定义临床结果的困难，并检查与特定患者相关的临床变量。 3. **国际疾病分类系统** - 本周讨论国际疾病分类（ICD）系统的历史，该系统是经过协作发展，使死亡证明中的医学术语和信息能够为统计目的进行分组。通过实际示例学习如何从MIMIC III数据库中提取ICD-9编码并进行可视化。此外，我们还讨论ICD-9、ICD-10和ICD-11系统之间的差异。 4. **MIMIC-III中的概念及患者纳入流程图示例** - 本周包括对临床概念的概述，这些概念是提供疾病评分的统计工具。它们基于专家意见开发，并在数据驱动方法的基础上扩展。这些模型是精准医学机器学习模型的前身。最后，本周的实用练习提供了实现复杂患者纳入流程图的机会。

Data Mining Pipeline (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-mining-pipeline

简介: 课程名称：数据挖掘流程 概述：本课程介绍了数据挖掘流程中关键步骤，包括数据理解、数据预处理、数据仓储、数据建模、解释与评估，以及实际应用。数据挖掘流程课程可以作为CU Boulder数据科学硕士学位（MS-DS）的一部分获得学术学分。MS-DS是一个跨学科的学位项目，汇集了来自CU Boulder应用数学、计算机科学、信息科学等多个部门的教员。该项目采用基于表现的招生方式，无需申请过程，适合具有广泛计算机科学、信息科学、数学和统计学本科教育和/或专业经验的个人。更多关于MS-DS项目的信息，请访问：https://www.coursera.org/degrees/master-of-science-data-science-boulder。 课程大纲： 1. 课程介绍：本周向您介绍数据挖掘专业及本课程“数据挖掘流程”。您将了解数据挖掘的四个视角以及数据挖掘流程中的关键组成部分。 2. 数据理解：本周通过识别关键数据属性并应用技术来描述不同数据集，帮助您理解数据。 3. 数据预处理：本周解释数据预处理的必要性以及可以用来预处理数据的技术。 4. 数据仓储：本周讨论数据仓储的关键特征以及支持数据仓储的技术。

Data Mining Project (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-mining-project

简介: 课程名称：数据挖掘项目 课程概述： 本课程为期六周，是数据挖掘专门化的项目课程。在开始此课程之前，学员应完成该专门化的所有其他课程。课程将让学员运用之前课程中学习到的数据挖掘算法和技术，解决一些有趣的现实数据挖掘挑战。具体来说，学员将使用Yelp的餐厅评论数据集，应用从前几门课程中获得的知识和技能，挖掘该数据集，以发现有趣且有用的信息。 项目设计的重点包括： 1. 模拟数据挖掘工作者在实际工作中的流程； 2. 整合多个单独课程中涵盖的不同挖掘技术； 3. 通过实验不同的解决方案来深化对技术的理解； 4. 鼓励学员创造性地提出和探索自己的想法。 项目的目标是分析和挖掘大型Yelp评论数据集，以发现有用的信息，帮助人们在就餐时做出决策。项目将包括以下输出： 1. 意见可视化：探索和可视化评论内容，以理解人们在评论中所说的内容。 2. 菜系地图构建：挖掘数据集，以了解不同类型菜系及其相似性。 3. 特定菜系的热门菜肴发现：挖掘数据集以发现某一菜系的共同/流行菜肴。 4. 餐厅推荐：矿挖数据集，根据特定菜肴对餐厅进行排名，并预测餐厅的卫生状况。 从用户的角度来看，菜系地图可以帮助他们了解有哪些菜系，查看各种菜系及其关系的全貌。一旦决定尝试某种菜系，他们会对该菜系的热门菜肴感兴趣，并决定应该选择哪些菜肴。最后，他们需要选择一家餐厅。因此，基于特定菜肴推荐餐厅将非常实用。同时，预测餐厅的卫生状况也将大有裨益。 通过完成这些任务，学员将获得数据挖掘的典型工作流程经验，包括数据预处理、数据探索、数据分析、分析方法的改进和结果的展示。学员将有机会结合来自不同课程的多个算法，完成相对复杂的挖掘任务，并尝试不同的解决方案，以理解最佳解决方案。课程将建议具体的方法，但学员被鼓励积极探索自己的想法，因为开放探索本身就是项目的一个目标。 每个任务需要提交简短的报告以供同伴评分，最终还需提交一份综合报告，进行同伴评分。 课程大纲： 1. 任务1 - 数据集探索 2. 任务2 - 菜系聚类与地图构建 3. 任务3 - 菜肴识别 4. 任务4与任务5 - 热门菜肴和餐厅推荐 5. 任务6 6. 最终报告

Data Mining Project (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-mining-theory-practice-project

简介: 课程名称：数据挖掘项目 概述：本课程提供逐步指导和实际操作经验，让学员能够设计和实施一个真实世界的数据挖掘项目。课程内容包括问题的提出、文献调研、拟定工作、评估、讨论及未来工作展望。数据挖掘项目可作为科罗拉多大学博尔德分校数据科学硕士（MS-DS）学位的一部分，在Coursera平台上获得学术学分。MS-DS是一个跨学科的学位，结合了博尔德分校应用数学、计算机科学、信息科学等多个部门的教师资源。该项目的招生基于表现，并且无需申请流程，非常适合具有广泛本科教育背景和/或计算机科学、信息科学、数学和统计学专业经历的个人。了解更多关于MS-DS项目的信息，请访问：https://www.coursera.org/degrees/master-of-science-data-science-boulder。 课程大纲： 第一部分：数据挖掘项目简介 描述：本模块从架构师的视角提供数据挖掘项目的一般介绍，重点讨论项目创意的初步头脑风暴。 第二部分：项目提案 描述：本模块详细讨论项目提案中应包含的内容。 第三部分：项目检查点 描述：本模块聚焦于检查项目状态，识别目前进展以及对初步提案的任何更改。 第四部分：项目最终报告 描述：本模块详细讨论最终项目报告，强调总结关键发现和分析整体项目过程的重要性。

Data Modeling and Regression Analysis in Business (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-modeling-regression-analysis-business

简介: 课程名称：商业数据建模与回归分析 课程概述：本课程适合许多商业经理及已修读本专业前两门课程的学员。课程初始部分将探讨数据描述、统计推断和回归分析等工具，并将这些概念扩展到用于分类响应变量（例如竞拍中“赢”或“输”）的其他统计预测方法。在接下来的环节中，学员将学习识别数据集中重要特征的工具，这些工具可以减少复杂性、帮助识别数据的重要特征或进一步解释行为。 课程大纲： 第一部分 标题：模块0：准备与模块1：分析简介与统计推断演变 描述：本节概述了商业数据分析过程及其组成部分。我们将介绍不同的建模范式，并邀请您将问题与建模范式相匹配。模块最后，我们将概述Rattle（统计软件R的一个界面）及其在单变量分析中的应用。 第二部分 标题：模块2：数据中的关系 描述：本节重点在于使用回归模型识别因变量和自变量之间的关系。我们的目标是找到最适合数据的模型，以了解人群中变量的潜在关系。 第三部分 标题：模块3：使用留出数据进行模型开发与测试 描述：本节为学员介绍如何使用留出数据集来评估模型性能。讨论了改进模型的方法，重点关注变量选择，并探讨了建模离散预测变量和响应变量的细微差别。 第四部分 标题：模块4：维度诅咒 描述：随着传感器、数字平台及用户生成内容等技术的进步，数据生成的方式日益增加。例如，传感器持续记录数据并在后续进行分析。数据捕获过程中的冗余性问题随之而来，变量越多，问题就越复杂，可能几乎没有（或没有）增量信息。为了解决高维度带来的问题，数据转换和维度减少显得至关重要，通过检查和提取更少的维度来确保传达完整信息。

Data Modeling in Power BI (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-modeling-in-power-bi

简介: 课程名称：Power BI 数据建模 课程概述：本课程是微软 Power BI 分析师专业证书的一部分。该专业证书由一系列课程组成，为使用 Microsoft Power BI 进行数据分析的职业生涯提供了良好的起点。在本课程中，您将学习如何使用 Power BI 创建和维护数据模型中的关系，并使用多种模式进行建模。您还将探索 DAX 的基础知识，这是 Power BI 的表达语言，并向您的模型添加计算，以创建相关元素。 课程大纲： 1. **数据建模概念** - 描述：本模块介绍数据建模及其创建所使用的模式。 2. **在 Power BI 中使用数据分析表达式 (DAX)** - 描述：本模块介绍 DAX 语言，探索 DAX 的语法并通过多个业务用例进行讲解。该模块还将 DAX 与以前关于数据库表的课程内容结合，并介绍时间智能的概念。 3. **优化 Power BI 中模型的性能** - 描述：本模块探讨优化过程，examines Power BI 中实现优化的工具和方法，包括使用性能分析器和 DirectQuery 功能。该模块还将深入探讨 DAX 及其在现实世界中的应用。 4. **最终项目与评估：Power BI 中的数据建模** - 描述：在本模块中，您将对课程中涉及的关键技能进行评估。该模块总结了课程内容，并反思主要学习目标，同时包含一个课程项目，将学习内容整合为一个实际的整体。 通过此课程，您将能够掌握 Power BI 的数据建模能力，并为未来的数据分析职业生涯打下坚实的基础。

Data Modeling, Transformation, and Serving (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-modeling-transformation-serving

简介: 课程名称：数据建模、转换与服务 概述：在本课程中，您将学习如何为分析和机器学习用例建模、转换和提供数据。课程将探讨多种批量分析的数据建模技术，包括规范化、星型模式、数据金库以及“一张大表”。您将使用dbt工具根据星型模式和“一张大表”转换数据集。此外，课程还将比较Inmon与Kimball的数据建模方法在数据仓库中的应用。您将为机器学习对一个表格数据集进行建模和转换。 课程大纲： 1. 数据建模与分析转换 - 描述：学习分析用的数据建模方法和转换技术。 2. 数据建模与机器学习转换 - 描述：探讨为机器学习准备数据的建模和转换策略。 3. 数据转换与技术考虑 - 描述：了解在数据转换过程中的技术细节与注意事项。 4. 数据服务 - 描述：学习如何有效地提供和服务数据以支持分析与模型。 该课程适合希望提高数据建模和转换技能以支持现代数据分析和机器学习需求的学习者。

Data Pipelines with TensorFlow Data Services (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-pipelines-tensorflow

简介: 课程名称：使用TensorFlow数据服务构建数据管道 课程概述：将机器学习模型应用于现实世界不仅仅是进行建模。本专业课程将教授您如何驾驭各种部署场景，并更有效地使用数据来训练模型。在这第三门课程中，您将学习到： - 使用TensorFlow数据服务执行高效的ETL任务 - 通过TensorFlow Hub和TensorFlow数据服务API加载不同的数据集和自定义特征向量 - 创建和使用预构建的管道，为任何数据集生成高度可重复的输入/输出管道 - 优化在训练过程中可能成为瓶颈的数据管道 - 将自己的数据集发布至TensorFlow Hub库，与全球研究人员和开发者分享标准化数据 本专业课程建立在我们的TensorFlow实践专业课程基础之上。如果您是TensorFlow的新手，建议先学习TensorFlow实践专业课程。为了更深入地理解神经网络的工作原理，建议您修读深度学习专业课程。 大纲： 第1部分：使用TensorFlow数据服务构建数据管道 描述：本周，您将能够使用TensorFlow数据服务API执行高效的ETL任务。 第2部分：TensorFlow中的数据集分割与切片API 描述：本周，您将使用分割API构建任意数据集（无论是自定义的还是在TensorFlow Hub数据集库中的）的训练/验证/测试分割。 第3部分：将数据导出到训练管道 描述：本周，您将扩展对数据管道的理解。 第4部分：性能 描述：您将学习如何处理数据输入，以避免瓶颈、竞争条件等问题！

Data Platform, Cloud Networking and AI in the Cloud (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/artificial-intelligence-and-networking

简介: 课程名称：数据平台、云网络与云中的人工智能 课程概述： 本课程旨在建立坚实的数据基础，并提供关于数据原理的工作知识，包括数据机制、数据库及其他数据处理的基础要素。课程将深入探讨数据管理的具体要素，包括数据的关系分类、数据生命周期、数据库基础以及数据处理与分析。同时，课程还将讲解人工智能（AI）在云数据中的相关性。 云网络部分涵盖网络概念、拓扑、设备类型和数据中心功能，并介绍关键的英特尔®网络产品及其特性。云中的人工智能模块将提升学习者指导客户选择基于英特尔人工智能的实例及来自主要云服务提供商（如Azure、AWS和GCP）的服务的能力。该模块将描述云AI的发展趋势，并总结主要云服务提供商的人工智能即服务（AI-as-a-Service）产品。此外，还将重点介绍客户在人工智能环境中使用英特尔架构所获得的具体好处，包括多个基于英特尔实例的终端用户成功案例。 课程大纲： 1. 数据平台课程：建立数据的基础知识，探讨数据管理要素及云中人工智能的相关性。 2. 云网络课程：网络概念、拓扑、设备类型及数据中心功能的介绍。 3. 云中的人工智能模块：帮助客户选择英特尔人工智能服务，理解云AI趋势及其优势。 整体而言，本课程为希望在数据、云网络和人工智能领域深化理解的学习者提供了宝贵的知识和实践经验。

Data Privacy and Protection Standards (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-privacy-and-protection-standards

简介: 课程名称：数据隐私与保护标准 课程概述：在当今数字时代，数据隐私与保护标准对于各行各业的组织而言至关重要，以保障敏感信息、遵守国际法规并维持客户信任。本课程提供数据隐私基础原则的全面理解、最新保护标准和实践方法，帮助参与者实施有效的数据保护措施。学员将重点学习关键法规，如GDPR和CCPA，深入探讨数据安全的技术和组织策略，并学习如何有效处理数据泄露事件。

Data Privacy Fundamentals (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/northeastern-data-privacy

简介: 课程名称：数据隐私基础 概述：本课程旨在向广泛受众介绍数据隐私，帮助每位参与者认识到数据隐私作为公共和私营组织以及个人的一个重要关注点的演变。您将听到法律和技术专家以及从业人员的分享，他们每天都面临数据隐私问题。本课程将回顾数据隐私的理论，以及在社交媒体和人工智能背景下的数据隐私问题。课程还将探讨在新闻报道、监控、面部识别和生物识别等新技术中的数据隐私问题。完成此课程后，参与者将有资格获得继续教育学分（CPE）。 课程大纲： 1. **数字时代的隐私**：在这一模块中，我们将介绍一些背景信息和数字时代隐私的基础概念。您将了解到隐私的历史，以及在定义隐私时所面临的困境。还将考虑保护个人数据的现实性问题。 2. **数据隐私的风险**：在这一模块中，我们开始思考在数字时代威胁我们隐私的因素，以及我们可以采取哪些措施来保护隐私。此外，我们还将深入分析智能设备和人工智能的日益影响，并考虑它们是如何影响人类的。 3. **数据隐私法律框架**：在这一模块中，我们将探讨隐私与法律的关系，尤其是它在媒体、监控以及保护个人数据方面的相关性。最后，我们将了解美国以外的隐私制度是如何运作的，并比较不同区域对隐私的监管和方法。

Data Privacy, Security, Governance, Risk and Compliance (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-privacy-security-governance-risk-and-compliance

简介: 课程名称：数据隐私、安全、治理、风险与合规 课程概述：无论你是一名有抱负的数据工程师、数据架构师、业务分析师，还是数据科学家，扎实的数据安全基础对于任何数据管理专业人士来说都是至关重要的。通过获得实践经验和全面的知识，你将增强简历，开启数据安全与保护的激动人心的职业机会。 课程内容： 1. **数据隐私与安全**：本模块深入探讨数据安全的关键方面，全面理解保护敏感信息所需的策略、技术和实践。在当今数字环境中，随着组织越来越依赖数据以支持业务运作，确保这一宝贵资产免受威胁和泄露至关重要。 2. **数据架构与治理**：本模块深入探索数据管理，聚焦于有效管理组织内数据所需的基本技术和原则。由于数据越来越多地驱动企业决策和运营，掌握数据管理概念对于确保数据质量、完整性和可访问性是非常重要的。 3. **风险与合规**：本模块对数据风险管理和合规性进行深入研究，着重于保护组织数据及确保遵循法律和行业标准所需的方法论和法规。随着组织面临越来越多的审查及对不合规行为的潜在惩罚，掌握这些领域对于降低风险和维持信任至关重要。 4. **最终项目和课程总结**：在本模块中，学员将整合所学知识，完成一个实用的最终项目，以巩固对课程内容的理解与应用。 通过本课程的学习，学员将掌握数据安全和保护的各个方面，为在瞬息万变的数据安全领域中取得成功奠定坚实基础。

Data Processing and Feature Engineering with MATLAB (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/feature-engineering-matlab

简介: 课程名称：MATLAB 数据处理与特征工程 课程概述：本课程将基于在《MATLAB 探索性数据分析》中学到的技能，为预测建模奠定基础。该中级课程对需要合并多个来源或时间的数据并对建模感兴趣的任何人都非常有用。适合具有领域知识和一定计算工具接触，但没有编程背景的学习者。要成功完成本课程，学员应具备基本统计学知识（如直方图、均值、标准差、曲线拟合、插值），并已完成《MATLAB 探索性数据分析》课程。 在整个课程中，您将学习如何合并不同数据集中的数据并处理常见场景，例如缺失数据。在课程的最后模块中，您将探索处理文本、音频和图像数据的特殊技术，这些数据在数据科学和更高级的建模中非常常见。课程结束时，您将学会如何可视化数据、清理数据并将其整理为可分析的格式，同时识别必要的特质以回答问题。您将能够可视化数据的分布，并通过目视检查来处理影响准确建模的伪影。 课程大纲： 1. 数据调查：应用探索性数据分析技能于新数据集，探索不同类型的分布，计算偏度和四分位差等数量，并学习多维数据的可视化方法。 2. 数据组织：准备数据进行分析，处理字符串变量以提取关键信息，并将分散在多列中的日期和时间信息整合为一个单一的日期时间变量，效率高地加载和合并多个文件中的数据。 3. 数据清理：清理杂乱数据，找到并解决缺失数据和异常值，使用归一化技术比较具有不同尺度的变量。 4. 发现重要特征：创建新特征以更好地理解数据，评估特征的有效性，以确定其是否对预测有用。 5. 特定领域的特征工程：将前四个模块的概念应用于不同领域，基于基于时间的信号（例如手机加速度计数据）创建和评估特征，使用 MATLAB 中的应用程序进行图像处理并基于分割图像创建特征，使用文本处理技术从非结构化文本中发现特征。

Data Processing Using Python (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/python-data-processing

简介: 课程名称：数据处理与Python 概述：本课程（英文版《用Python玩转数据》的链接为 https://www.coursera.org/learn/hipython/home/welcome）主要针对非计算机专业人士。课程从Python的基本语法开始，逐步讲解如何在本地和网络中获取数据，如何呈现数据，如何进行基本和高级统计分析与可视化，最后到如何设计一个简单的图形用户界面（GUI）来展示和处理数据，层层递进。 本课程的内容围绕金融数据，通过逐步建立受欢迎的案例，使学习者更生动地感受到Python的简洁、优雅和强大。课程还讨论了Python在文学、社会学、新闻学等人文学科及数学、生物学等科学工程领域，甚至在商业领域的快速、便捷和高效的数据处理能力。同样，这些技能也可以灵活地应用到其他领域。 课程更新信息： 1）全课程已从Python 2.x迁移至Python 3.x。 2）新增手动网页抓取和解析，增加了Web API的相关内容。 3）改善了内容顺序，丰富了一些具体内容的细节，特别是对于某些实践项目。 注意：视频以中文（简体）提供，并有英文字幕，所有其他材料均为英文。 课程大纲： 1. 欢迎学习数据处理与Python！ - 简述如何利用Python迅速获取、表达、分析和展示数据，提供多个案例帮助学习者在各个领域轻松掌握数据处理。 2. Python基本知识 - 介绍Python的简单性与优雅性，让学生掌握基本语言结构、数据类型、基本操作、条件语句、循环、函数和模块，以编写有用的程序。 3. 数据获取与呈现 - 学习如何获取本地数据和网络数据，并使用有效的数据结构如序列、字符串、列表和元组快速呈现和处理数据。 4. 强大的数据结构与Python扩展库 - 掌握中高级Python使用，包括字典和集合数据结构，并学习SciPy中常用的ndarray、Series和DataFrame等数据结构的高效性。 5. Python数据统计与挖掘 - 展示Python在数据处理和分析中的独特优势，帮助学生预处理数据，快速有效地挖掘所需结果，并以多种形式呈现。 6. 面向对象与图形用户界面 - 了解面向对象的基本概念及其与图形用户界面的关系，掌握GUI的基本框架、常见组件与布局管理，不需要编写代码。 本课程可以帮助非计算机专业人士掌握Python数据处理的基本技能，并在实际应用中灵活运用。

Data Processing with Azure (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-processing-with-azure

简介: 课程名称：Azure数据处理 概述：此Azure培训课程旨在为学生提供处理、存储和分析数据以作出明智商业决策所需的知识。通过本课程，学生将理解大数据及其分析的重要性，从而提升数学和编程技能。学生将学习使用Python、R和Apache Spark等重要分析工具的最有效方法。 课程大纲： 1. **介绍**：本课程为学生提供处理、存储和分析数据的知识，使他们能做出明智的商业决策。学生将了解大数据的概念及其分析的重要性，并提升其数学和编程技能。 2. **第一部分 - 在Azure上利用Databricks和Data Factory进行批处理**：本模块探讨Azure Databricks如何与多种数据环境集成，并通过ETL或ELT流程拉取数据。 3. **第二部分 - 创建管道和活动**：实时处理大数据是许多企业的运营必要。Azure Stream Analytics是微软面向复杂事件处理的无服务器实时分析产品。本部分将探讨如何利用大数据获得有价值的洞察和竞争优势。 4. **第三部分 - 链接服务与数据集**：数据工厂可拥有一个或多个管道，管道是活动的逻辑分组。创建数据集之前，必须先创建链接服务，以将数据存储与数据工厂链接。 5. **第四部分 - 调度和触发器**：Azure Data Factory是一种完全托管的云数据编排服务，支持数据移动和转换。本部分探讨如何为Azure Data Factory调度触发器，以自动化管道执行。 6. **第五部分 - 选择窗口函数**：在时间流场景中，针对时间窗口内的数据进行操作是常见模式。Stream Analytics原生支持窗口函数，使开发人员能够轻松编写复杂的流处理作业。 7. **第六部分 - 配置流数据解决方案的输入和输出**：本部分教会如何使用Azure Stream Analytics分析电话数据，并过滤掉一些欺诈电话。 8. **第七部分 - Polybase中的ELT与ETL**：传统的SMP数据仓库使用ETL过程加载数据，而Azure SQL数据仓库利用大规模并行处理架构，采用ELT过程，可以利用MPP的优势，消除在加载之前转换数据所需的资源。 通过本课程，学生将掌握Azure数据处理的核心技能，从而在数据分析领域立足。

Data Science as a Field (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-science-as-a-field

简介: 课程名称：数据科学领域概述 课程概述：本课程为数据科学领域提供了一般性的介绍，旨在为有志成为数据科学家的学员、与数据科学家合作的内容专家以及任何希望了解数据科学及其应用的人士设计。每周的主题包括数据科学家所需的技能概述、数据科学过程及其可能的陷阱，以及数据科学在专业和学术领域的实践。本课程是科罗拉多大学波尔德分校（CU Boulder）数据科学硕士学位的一部分，由学术界和行业专业人士共同设计，为学习者提供了这一令人兴奋、不断发展的重要学科的内部视角。 课程大纲： 第一部分：数据科学导论：新学科的过去、现在和未来 本周我们将谈论数据科学的过去、现在和未来。数据科学的增长得益于互联网、社交媒体和在线购物的普及，以及数据存储能力的快速提升。您将观看几个短视频，并参与有关数据科学未来的讨论。 第二部分：数据科学在行业、政府和学术界的应用 本周您将观看视频并阅读有关数据科学在行业和学术界应用的材料。您将听到来自不同领域的数据科学家的经验，了解他们如何使用数据科学。 第三部分：数据科学过程及其陷阱 本周您将学习可重现性的重要性及其实现方法、数据分析过程的各个步骤，以及数据科学中的可能陷阱。您将观看演示各步骤的数据科学过程，并尝试在不同的数据集上应用这些过程。 第四部分：结果传播 本周您将了解传播结果的重要方法。我们将讨论关于演示和报告的重要事项。您还将学习网络的重要性并进行实践。 课程可以作为科罗拉多大学波尔德分校数据科学硕士学位的一部分获得学分。MS-DS是一个跨学科的学位，汇集了应用数学、计算机科学、信息科学等多个部门的教师。该课程适合具有广泛本科学历和/或计算机科学、信息科学、数学和统计等专业经验的个人。有关MS-DS项目的更多信息，请访问： https://www.coursera.org/degrees/master-of-science-data-science-boulder。

Data Science at Scale - Capstone Project (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/datasci-capstone

简介: 课程名称：大规模数据科学 - 毕业项目 概述：在毕业项目中，学生将参与一个实际项目，要求应用整个数据科学流程中的技能，包括数据准备、组织和转换、模型构建及结果评估。通过与Coursolve的合作，每个毕业项目都与对结果有直接利益关系并渴望在实践中应用的合作伙伴相关联。这些项目并不简单，结果也并未预设——你需要能够接受不确定性和负面结果！但我们相信，这种经历将带来丰厚的回报，并更好地为你在实践中进行数据科学项目奠定基础。 课程大纲： 第一部分：项目A：斗争杂物 描述：在此项目中，您将建立一个模型，以预测何时一栋建筑可能被认定为不适用。数据是真实的，问题是真实的，影响也是现实的。 第二部分：第二周：生成建筑物列表 描述：您将获得带有位置信息的事件集合；需要利用一些假设将这些事件按位置分组，以识别具体建筑。 第三部分：第三周：构建训练数据集 描述：通过与许可证数据关联每栋建筑的真实标签来构建一个训练集。 第四部分：第四周：训练和评估简单模型 描述：使用基本特征集来训练和评估一个简单的模型。 第五部分：第五周：特征工程 描述：衍生其他特征并重新训练，以提高模型的有效性。 第六部分：第六周：最终报告 描述：提交最终报告以进行评估。

Data Science Capstone (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-science-project

简介: 课程名：数据科学顶点项目 概述：本课程旨在让学生创建一个可用的公共数据产品，以展示他们的技能给潜在雇主。项目将源自现实世界的问题，并与行业、政府和学术合作伙伴共同进行。 课程大纲： 第1部分：概览，理解问题及获取数据 描述：本周，我们将介绍项目，使学生能够清楚理解手头的问题并开始处理数据集。 第2部分：探索性数据分析与建模 描述：本周，我们将进行探索性数据分析与建模。同时，学生需要提交阶段性报告，并审核同学的提交。 第3部分：预测模型 描述：本周，学生将建立并评估他们的预测模型，目标是使模型高效且准确。 第4部分：创意探索 描述：本周的目标是提高预测的准确性，同时减少计算时间和模型复杂性。 第5部分：数据产品 描述：本周，学生将开发最终项目的第一个组成部分，即数据产品。 第6部分：幻灯片 描述：本周，学生将开发最终项目的第二个组成部分，即幻灯片，以便于展示他们的数据产品。 第7部分：最终项目提交与评估 描述：本周，学生需提交最终项目，并审核同学的作品。

Data Science Ethics (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-science-ethics

简介: 课程名称：数据科学伦理 概述：在大型数据泄露事件频发的背景下，本课程探讨了有关消费者信息和大数据的隐私与控制的伦理考虑。课程为分析这些问题提供了框架，研究收集和管理大数据的伦理和隐私影响，探讨数据科学领域对现代社会的广泛影响，以及公正、问责和透明度的原则。您将深入理解共享伦理价值观的重要性，审视在利用元数据丰富算法和人工智能系统时自愿披露的必要性。同时，您将学习负责任的数据管理最佳实践，了解《公平信息处理原则法》及有关“被遗忘权”的法律。 通过本课程，您将能回答诸如：谁拥有数据？我们如何看待隐私？如何获得知情同意？什么是公平？ 适用人群：数据科学家以及任何开始使用或扩展数据应用的人。无需特定的先前知识。 课程大纲： 1. **什么是伦理？**：建立简单功利伦理的基础，帮助大家在对错上达成共识。 2. **知情同意的历史与概念**：讨论知情同意的法律背景及其在回顾性研究和电子商务中的局限。 3. **数据所有权**：探讨关于您数据的所有权和使用限制。 4. **隐私**：探讨隐私的基本人权及其对个人信息控制的影响。 5. **匿名性**：分析可匿名交易的优缺点及其实现方式。 6. **数据有效性**：关注数据科学中数据有效性的问题，强调代表性样本的重要性。 7. **算法公正性**：讨论算法决策可能存在的不公正性，及其背后的偏见如何影响结果。 8. **社会后果**：分析数据科学在公平性、有效性和其他伦理问题之外的社会影响。 9. **伦理准则**：将课程讨论的各个问题整合为实践者的简单伦理两点准则。 10. **致谢**：列出课程中使用的外部视听资源的致谢。 本课程为您深入理解数据科学中的伦理问题提供了全面的视角与工具。

Data Science for Business Innovation (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-science-for-business-innovation

简介: 课程名称：商业创新中的数据科学 课程概述： 《商业创新中的数据科学》纳米课程概述了高管和中层管理人员所需的数据科学核心技能，以推动数据驱动的创新。该课程解释了数据科学的定义及其被广泛关注的原因。 学习内容： * 数据科学能够创造的价值 * 数据科学可以解决的主要问题类别 * 描述性、预测性和规范性分析之间的区别 * 机器学习与人工智能的角色 从更技术的角度，课程涵盖了监督学习、无监督学习和半监督学习方法，并解释了通过分类、聚类和回归技术可以获得的成果。讨论了 NoSQL 数据模型和技术的作用，以及可扩展的云计算平台的影响与作用。所有主题均通过基于实例的讲座覆盖，讨论用例、成功故事和现实示例。 完成该纳米课程后，如果希望进一步深化数据科学知识，可以参加《商业创新中的数据科学》现场课程 [链接](https://professionalschool.eitdigital.eu/data-science-for-business-innovation)。 课程大纲： 1. **数据驱动商业概述** 该模块介绍课程，提供主题的基本概述。呈现与数据科学及大数据相关的重要概念，并展望如何在实际环境中利用它们来提升商业价值。 2. **术语及基础概念** 在此模块中，您将学习机器学习和数据科学的基础概念。通过讨论Netflix这一完全数据驱动的公司的成功故事，理解这些技术如何为组织带来商业价值，并了解机器学习与编程之间的不同。 3. **商业数据科学方法** 本模块将帮助您理解数据分析的基本方法（如线性回归、朴素贝叶斯、决策树、聚类与逻辑回归）的概念与直觉。所有方法均以典型商业应用为起点，通过简单示例的指导解释进行直观讲解。 4. **挑战与总结** 该模块总结了迄今为止学习的概念，并介绍了一系列数据驱动策略中数据精明的管理者必须考虑的挑战与风险。

Data Science Fundamentals for Data Analysts (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/data-science-fundamentals-for-data-analysts

简介: 课程名称：数据分析师的数据科学基础 课程概述：本课程旨在引导您了解数据科学的基本构建模块，数据科学是全球发展最快的领域之一！在我们行业领先的数据科学家的帮助下，我们设计了这个课程，以便在仅仅15小时的学习中构建可直接应用的数据科学技能。课程开始时，我们将快速介绍数据科学——它是什么，以及如何用它来解决现实世界的问题。在课程的剩余部分，我们将教授您应用基础数据科学概念和技术所需的技能，以解决这些现实问题。 完成本课程后，您将能够利用现有的数据分析技能，设计、执行、评估并沟通您自己数据科学项目的结果。 课程大纲： 1. 欢迎参加课程 - 模块描述。 2. 数据科学简介 - 描述内容。 3. 数据科学的初步统计学 - 描述内容。 4. 将数据科学与现实世界连接 - 描述内容。 5. 实用机器学习 - 描述内容。 6. 完成数据科学项目 - 描述内容。

Data Science in Real Life (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/real-life-data-science

简介: 课程名称：现实生活中的数据科学 概述：你是否曾经历过完美的数据科学体验？数据提取顺利完成，没有合并错误或缺失数据，假设在分析之前清晰界定，进行了随机化处理，分析计划在分析之前制定并严格遵循，结论明确且行动决策显而易见。然而，现实生活中的数据分析往往是混乱的。如何管理面对真实数据分析的团队？在为期一周的课程中，我们将理想与现实进行对比，通过这个过程，你将学习到管理真实数据分析的关键概念。 本课程旨在帮助你快速掌握现实生活中的数据科学。我们的目标是尽可能方便你，同时不牺牲任何重要内容。我们省略了技术细节，以便你能够专注于管理团队并推动其发展。 完成本课程后，你将能够： 1. 描述“完美”的数据科学体验 2. 识别实验设计中的优缺点 3. 描述提取/整理数据时可能遇到的问题，并学习管理数据提取的解决方案 4. 挑战统计建模的假设，并向数据分析师提供反馈 5. 描述在传达数据分析时的常见陷阱 6. 了解数据分析经理的日常工作 课程的授课层面为概念性，面向数据科学家和统计学家的管理者。课程讨论的一些关键概念包括： 1. 实验设计、随机化、A/B 测试 2. 因果推断、反事实 3. 管理数据质量的策略 4. 偏倚和混淆 5. 对比机器学习与经典统计推断 课程宣传链接：[课程视频](https://www.youtube.com/watch?v=9BIYmw5wnBI) 课程封面图片由 Jonathan Gross 提供，使用 Creative Commons BY-ND 授权，链接：[图片来源](https://flic.kr/p/q1vudb) 课程大纲： - 部分：1 - 标题：介绍，完美的数据科学体验 - 描述：本课程为一个模块，计划在一周内完成。请按照所提供的顺序进行学习。每节课都有阅读材料和视频，除了介绍性讲座，每节课都有5道题的测验；在测验中获得4分或更好的成绩。

Data Science in Stratified Healthcare and Precision Medicine (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/datascimed

简介: 课程名称：分层医疗与精准医学中的数据科学 概述：随着生物医学和医疗保健领域可用数据量的不断增加，包括基因组数据、电子患者记录和可穿戴设备收集的数据，数据科学的最新进展正在改变生命科学，推动精准医学和分层医疗的发展。在本课程中，您将学习与分层医疗和精准医学相关的不同类型的数据和计算方法，并有机会亲身体验这些数据的处理。此外，您还将了解到领域专家的成功案例研究。 课程主题包括：（一）序列处理，（二）图像分析，（三）网络建模，（四）概率建模，（五）机器学习，（六）自然语言处理，（七）过程建模和（八）图数据。 课程大纲： - 第1周：欢迎参加课程。了解课程运作，体验Python编程。 - 第2周：介绍序列处理和医学图像分析。探索这些领域的最新进展及其在精准医学中的贡献。 - 第3周：学习概率建模和网络建模在生物医学中的应用，并介绍机器学习及其在医学领域的机会。 - 第4周：利用自然语言处理技术分析临床笔记等自由文本，了解过程建模如何帮助我们理解、分类和改善医疗过程。 - 第5周：学习图数据模型如何有效连接生命科学中的不同数据，探讨精准医学和分层医疗的社会、法律和伦理影响。 课程宣传视频链接：[点击查看视频](http://edin.ac/2pn350P)

Data Science Math Skills (Coursera) 0 个评论 关注

主页: https://www.coursera.org/learn/datasciencemathskills

简介: 课程名称：数据科学数学技能 课程概述：数据科学课程包含数学——无法避免！本课程旨在教授学习者成功掌握几乎所有数据科学数学课程所需的基本数学知识，特别适合具有基本数学技能但可能没有修过代数或预备微积分的学习者。数据科学数学技能将逐步引入构成数据科学核心的数学内容，以简单明了的方式介绍不熟悉的概念和数学符号。完成本课程的学习者将掌握所有数据科学家必须了解的词汇、符号、概念和代数规则，为进一步学习更高级材料做好准备。 课程内容包括： - 集合论，包括维恩图 - 实数线的性质 - 区间符号和不等式代数 - 求和和西格玛符号的应用 - 笛卡尔平面上的数学，斜率和距离公式 - 在x-y平面上绘制和描述函数及其反函数 - 瞬时变化率和曲线切线的概念 - 指数、对数及自然对数函数 - 概率论，包括贝叶斯定理 本课程作为数据科学所需数学技能的一般介绍，可以视为有意向学习“精通Excel中的数据分析”课程的学习者的先修课程。掌握数据科学数学技能的学习者将为在“精通Excel中的数据分析”课程中学习更高级的数学概念做好充分准备。 祝好运，希望您享受本课程！ 课程大纲： 1. 欢迎来到数据科学数学技能 - 描述：此短模块包括课程结构、工作流程和证书、测验、视频讲座等重要信息的概述。请立即阅读，并在需要时参考。 2. 问题解决的基石 - 描述：本模块包含三个课程，构建基础数学词汇。第一节“集合及其用途”介绍集合论的基本概念，包括并集、交集与基数，并提供实际应用的医疗测试案例。第二节“实数的无限世界”解释了在实数线上讨论区间时使用的符号。最后一节“那锯齿状的S符号”将教你如何简洁地表达长序列的加法，并利用该技能定义统计量，如均值和方差。 3. 函数与图像 - 描述：本模块为平面函数图像绘制构建词汇。第一节“笛卡尔真聪明”将让你了解笛卡尔平面，测量距离并找到直线方程。第二节介绍了函数作为输入-输出机器的概念，展示如何在笛卡尔平面上绘图，并讲解相关重要词汇。 4. 变化率测量 - 描述：本模块开始温和地介绍微积分的导数概念。第一节“这是关于导数的东西”将给出基本定义，举例说明，并展示如何将这些概念应用于现实世界的优化问题。然后我们转向指数和对数，解释这些数学工具的规则和符号。最后，我们学习连续增长的变化率，以及捕捉这一概念的特殊常数“e”，约为2.718。 5. 概率论入门 - 描述：本模块介绍概率论的词汇和符号——用于研究不确定但具有可预测发生率的结果的数学。首先介绍概率的基本定义和规则，包括两个或多个事件同时发生的概率、和规则和乘积规则，然后进入贝叶斯定理及其在实际问题中的应用。