|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/datascience365/
课程评论：没有评论
datascience365 是一门面向希望成为数据科学家的人士设计的综合性在线课程。该课程提供了 365careers 英文版《The Data Science Course 2020: Complete Data Science Bootcamp》的完整日语版本，并针对日本学习者进行了优化。 课程强调了日本对数据科学家日益增长的需求，预计到 2030 年将出现 30 万名数据科学人才缺口。该课程旨在解决传统学习方式成本高昂和时间限制的问题，通过丰富的动画、具体案例和练习，让学习者能够以自己的节奏和较低的成本掌握数据科学所需的知识和技能。 除了数据科学核心技能外，本课程还培养了重要的商业技能，包括： * 发现商业挑战 * 将挑战分解为可管理的任务 * 进行定量数据评估 * 以直观的方式组织和展示数据 * 培养逻辑思维能力 课程内容涵盖广泛，从数据科学的基础概念（如整体概览、定义、统计学与机器学习的区别、大数据、常见陷阱、相关职业、编程语言和软件）到概率论（如公式、期望值、事件、分布、排列、集合、贝叶斯定理、各种概率分布、概率与金融/统计/数据科学的关系），再到统计学（如总体与样本、代表性数值、偏度、标准差、变异系数、协方差、置信区间、假设检验、零假设、显著性水平、拒绝域、p值、t值），以及 Python 编程（如回归分析模型、相关与回归的区别、方差分析、决定系数、调整决定系数、F检验、线性回归的假设、虚拟变量处理、statsmodel 和 seaborn 的使用）。 此外，课程还深入讲解了机器学习的预处理技术（如特征缩放、标准化）、模型训练（如过拟合与欠拟合、数据分割）、逻辑回归（如逻辑函数、Logit 函数、Odds 的含义）、聚类分析（如 the elbow method、K-means、谱系图、热力图）、机器学习的实际应用（如 MNIST）、优化算法（如梯度下降、随机梯度下降）、神经网络（如反向传播、激活函数、softmax 函数、提前停止）、深度神经网络、优化器（如 Adam）、学习率（如自适应学习率），以及数据预处理（如序数编码、独热编码、数据平衡、批处理）。 datascience365 旨在为学习者提供全面扎实的数据科学基础，帮助他们在职业生涯中不断进步。
このコースは全世界で210万人を超える受講者を持つ365careersによって公開されている[The Data Science Course 2020: Complete Data Science Bootcamp] の完全日本語版です。このコースではオリジナルコースのエッセンスを余すことなく網羅したうえで、日本語ユーザーが快適に学べるように最適化されたコンテンツをお届けします。近年世界的に需要の高まりが注目されている職業、それがデータサイエンティストです。日本も例外ではなく高等教育機関や企業などでもその必要性が声高らかに叫ばれていますが供給が追いついていません。経済産業省が発表したIT人材需給に関する調査によると、2030年にはデータサイエンス等に携わる先端IT人材の不足数は30万人にのぼるともいわれています。また、従来の学習方法は受講に数十万円単位でコストがかかったり、拘束時間が長かったりと学習者側の負担は大きなものでした。このコースはデータサイエンティストを志す人全ての方が、データサイエンスの世界で活躍するために必要な知識とスキルを、豊富なアニメーション、具体例、課題を通して自分のペースで確実に身につけれるように設計されています。更に、この講義を通じて学ぶことによって身につけることができるスキルは、データサイエンスにとどまりません。例えば、ビジネスにまつわるスキルだけでも、以下のような能力をみにつけることができます。・ビジネス上の課題を見つける能力・課題を対処可能な内容に整理する力・データを定量的に評価する方法・データを見やすく、直感的に整理する方法・論理的に物事を考える力つまり、ビジネスパーソンとして活躍するために必要なスキルをこの講座を通じて身につけることができるのです。ここで、本講座でご紹介している内容の一部を記載します。ただ長いだけの講義ではなく、コンテンツがギュッと詰まった講義になっています。・データサイエンスの全体像・データサイエンスの言葉の整理・従来の統計学と機械学習の違い・従来のデータとビッグデータの違い・データサイエンスで間違いやすい注意点・データサイエンスにまつわる職業の整理・データサイエンスにおいて使われるプログラミング言語とソフトウェアについて・確率の公式・期待値について・事象について・分布について・順列について・集合について・ベイズの法則について・様々な確率分布の概要・ファイナンスと確率の関係・統計と確率の関係・データサイエンスと確率の関係・母集団と標本・代表値について・歪度について・標準偏差と変動係数について・共分散について・信頼区間について・仮説検定について・帰無仮説と有意水準について・棄却域と有意水準について・p値について・t値について・pythonの概要・回帰分析モデルについて・相関と回帰の違いについて・分散分析の方法について・決定係数について・自由度修正済み決定係数について・F検定について・線形回帰で求められる想定・前提について・ダミー変数の扱いについて・stats modelの使い方・seabornの使い方・フィーチャースケーリングについて・標準化について・過学習と過少学習について・モデルの訓練について・データセットの分割について・ロジスティック関数とロジット関数について・オッズの意味について・クラスタリングについて・エルボー法について・K平均法について・樹形図について・ヒートマップについて・機械学習のイメージと具体例・MNISTについて・勾配降下法について・確率的勾配降下法について・完成について・tensorflowを使った実装の進め方について・活性化関数について・バックプロパゲーションについて・ソフトマックス関数の特徴について・アーリーストッピングについて・ニューラルネットワークについて・ディープニューラルネットワークについて・adamについて・学習率について・適応学習率について・前処理の進め方について・バイナリエンコーディングとワンホットエンコーディングについて・データのバランシングについて・バッチ処理について上記でも講義で説明している内容の一部です。本講座を活用し尽くして、更なるスキルアップに役立てて下さい。
