فناوری‌های عملکردی ژنومی مانند ریزآرایه‌ها، توالی‌یابی، و طیف‌سنجی جرمی، دانشمندان را قادر می‌سازد تا اندازه‌گیری‌های بی‌طرفانه سطوح بیان ژن را در مقیاس وسیع ژنوم جمع‌آوری کنند. چه در حال تولید داده های خود باشید و چه بخواهید تعداد زیادی از مجموعه داده های در دسترس عموم را کاوش کنید، ابتدا باید یاد بگیرید که چگونه این نوع آزمایش ها را تجزیه و تحلیل کنید. در این دوره به شما آموزش داده می شود که چگونه از لیما بسته همه کاره R/Bioconductor برای انجام تحلیل بیان دیفرانسیل روی رایج ترین طرح های آزمایشی استفاده کنید. علاوه بر این، نحوه پیش پردازش داده ها، شناسایی و تصحیح اثرات دسته ای، ارزیابی بصری نتایج و انجام تست غنی سازی را خواهید آموخت. پس از تکمیل این دوره، استراتژی های تجزیه و تحلیل کلی برای به دست آوردن بینش از هر مطالعه ژنومیک عملکردی خواهید داشت.

این دوره مبتنی بر مفاهیم اساسی از مقدمه بر تجزیه و تحلیل پورتفولیو در R است و مفاهیم پیشرفته در فرآیند بهینه سازی پورتفولیو را بررسی می کند. برای یک تحلیلگر یا مدیر پورتفولیو بسیار مهم است که تمام جنبه های مسئله بهینه سازی پورتفولیو را برای تصمیم گیری آگاهانه درک کند. در این دوره، شما یک رویکرد کمی برای به کارگیری اصول تئوری مدرن پورتفولیو برای مشخص کردن پورتفولیو، تعریف محدودیت ها و اهداف، حل مسئله و تجزیه و تحلیل نتایج را خواهید آموخت. این دوره از بسته R PortfolioAnalytics برای حل مسائل بهینه سازی پورتفولیو با محدودیت ها و اهداف پیچیده که منعکس کننده مسائل دنیای واقعی است استفاده می کند.

در این دوره، شما یاد خواهید گرفت که با استفاده از داده‌های شبکه‌ای در R، تجزیه و تحلیل‌های پیش‌بینی‌کننده را انجام دهید. هدف از تجزیه و تحلیل شبکه این است که پیش‌بینی کنید یک گره شبکه به کدام کلاس تعلق دارد، مانند churner یا نه، کلاهبردار یا نه، پیش‌فرض یا غیره. به طور خاص، ما ایده ویژگی‌سازی را معرفی می‌کنیم که ویژگی‌های شبکه را می‌توان به ویژگی‌های غیرشبکه اضافه کرد و عملکرد هر مدل تحلیلی حاصل را افزایش داد. در این دوره، شما از بسته igraph برای تولید و برچسب گذاری شبکه ای از مشتریان در یک محیط ریزش استفاده می کنید و با مبانی یادگیری شبکه آشنا می شوید. سپس، در مورد هموفیلی، دوگانگی و ناهمگونی و اینکه چگونه می توان از آنها برای به دست آوردن بینش های اکتشافی کلیدی در شبکه خود استفاده کرد، یاد خواهید گرفت. در مرحله بعد، از عملکرد بسته igraph برای محاسبه ویژگی های مختلف شبکه برای محاسبه ویژگی های شبکه گره محور و همچنین مبتنی بر همسایه استفاده خواهید کرد. علاوه بر این، شما از الگوریتم پیج رنک گوگل برای محاسبه ویژگی های شبکه و تایید تجربی قدرت پیش بینی آنها استفاده خواهید کرد. در نهایت، ما به شما آموزش می دهیم که چگونه یک مجموعه داده مسطح از شبکه تولید کنید و آن را با استفاده از رگرسیون لجستیک و جنگل های تصادفی تجزیه و تحلیل کنید.

ساخت مدل‌های خوب تنها در صورتی موفق می‌شود که یک جدول پایه مناسب برای شروع داشته باشید. در این دوره آموزشی یاد خواهید گرفت که چگونه یک جدول پایه خوب بسازید، متغیرها را ایجاد کنید و داده های خود را برای مدل سازی آماده کنید. ما با موضوعات پیشرفته در مورد این موضوع پایان می دهیم.

زمینه تصویربرداری زیست‌پزشکی در سال‌های اخیر منفجر شده است - اما برای افراد ناآشنا، حتی بارگذاری داده‌ها نیز می‌تواند یک چالش باشد! در این دوره مقدماتی، اصول تحلیل تصویر با استفاده از NumPy، SciPy و Matplotlib را خواهید آموخت. شما در یک سی تی اسکن کل بدن پیمایش می کنید، یک سری زمانی MRI قلبی را تقسیم می کنید و تعیین می کنید که آیا بیماری آلزایمر ساختار مغز را تغییر می دهد یا خیر. حتی اگر قبلاً با تصاویر کار نکرده اید، دوره را با یک جعبه ابزار محکم برای ورود به این زمینه پویا به پایان خواهید رساند.

تحلیل خوشه ای یک ابزار قدرتمند در میز کار علم داده است. برای یافتن گروه‌هایی از مشاهدات (خوشه‌ها) که ویژگی‌های مشابهی دارند استفاده می‌شود. این شباهت‌ها می‌تواند همه نوع تصمیمات تجاری را نشان دهد. به عنوان مثال، در بازاریابی، از آن برای شناسایی گروه های متمایز از مشتریان استفاده می شود که می توان برای آنها تبلیغات طراحی کرد. در این دوره آموزشی با دو روش خوشه بندی متداول - خوشه بندی سلسله مراتبی و خوشه بندی k-means آشنا خواهید شد. شما نه تنها یاد خواهید گرفت که چگونه از این روش ها استفاده کنید، بلکه یک شهود قوی برای نحوه کار آنها و نحوه تفسیر نتایج آنها ایجاد خواهید کرد. این شهود را با کاوش در سه مجموعه داده مختلف توسعه خواهید داد: موقعیت‌های بازیکن فوتبال، داده‌های هزینه‌های مشتری عمده‌فروشی، و داده‌های دستمزد شغلی طولی.

احتمالاً با Google News مواجه شده اید که به طور خودکار مقالات خبری مشابه را در یک موضوع گروه بندی می کند. آیا تا به حال فکر کرده اید که چه فرآیندی در پس زمینه برای رسیدن به این گروه ها اجرا می شود؟ در این دوره آموزشی با یادگیری بدون نظارت از طریق خوشه بندی با استفاده از کتابخانه SciPy در پایتون آشنا می شوید. این دوره پیش پردازش داده ها و استفاده از خوشه بندی سلسله مراتبی و k-means را پوشش می دهد. از طریق این دوره، آمار بازیکنان یک بازی ویدیویی محبوب فوتبال، FIFA 18 را بررسی خواهید کرد. پس از اتمام دوره، می‌توانید به سرعت الگوریتم‌های مختلف خوشه‌بندی را روی داده‌ها اعمال کنید، خوشه‌های تشکیل‌شده را تجسم کنید و نتایج را تجزیه و تحلیل کنید.

مهارت های Tableau خود را با تجزیه و تحلیل و تجسم های پیشرفته ارتقا دهید. در این دوره آموزشی، نحوه ایجاد تجسم های نقشه غنی از جزئیات، پیکربندی فیلدهای تاریخ و زمان برای نمایش روندها در طول زمان و گسترش داده های خود با استفاده از فیلدهای محاسبه شده را خواهید آموخت. شما همچنین مهارت های جدید خود را برای تکمیل مطالعه موردی تجزیه و تحلیل مشتری به کار خواهید گرفت. از طریق فعالیت‌های عملی، نحوه ایجاد سطل‌ها، سفارشی کردن فیلترها و تعاملات، و اعمال محاسبات جدول سریع را خواهید آموخت. در نهایت، تکنیک‌های کاربر قدرتمند، از جمله نحوه برش داده‌ها و استفاده از مجموعه‌ها و گروه‌های پویا را یاد می‌گیرید، که شما را یک گام به آمادگی برای صدور گواهینامه Tableau Desktop Specialist نزدیک‌تر می‌کند.

مهارت های تجزیه و تحلیل داده های خود را با دوره جامع ما تجزیه و تحلیل داده ها در اکسل افزایش دهید. در حالی که داده های فروش B2B را کاوش می کنید، الگوهای پنهان را کشف می کنید و بینش های عملی که باعث موفقیت می شود به دست آورید، در دنیای تجارت غوطه ور شوید. از تسلط بر جداول محوری گرفته تا انجام پیش‌بینی‌های آگاهانه، این دوره به شما این امکان را می‌دهد که داده‌های خام را به دانش تجاری ارزشمند تبدیل کنید. پس از تکمیل، در تکنیک های تجزیه و تحلیل داده ها عالی خواهید شد و می توانید بینش های عملی را از داده های کسب و کار خود بدست آورید. با تجزیه و تحلیل داده ها در اکسل، قدرت داده را آزاد کنید و شغل خود را به جلو سوق دهید. امروز ثبت نام کنید و پتانسیل داده های خود را باز کنید!

با نحوه پاک کردن و تجزیه و تحلیل داده‌ها در Google Sheets، نحوه استفاده از توابع داخلی برای مرتب‌سازی و فیلتر کردن داده‌ها و استفاده از تابع VLOOKUP برای ترکیب داده‌ها از جداول مختلف آشنا شوید.

این مهارت‌ها، عملکردها و میانبرهای صرفه‌جویی در زمان Google Sheets را می‌توان در هر صنعتی به کار برد، خواه به دنبال تغییر شغل در تجزیه و تحلیل داده‌ها باشید یا به دنبال بهبود مهارت‌های خود در بازاریابی، مالی، منابع انسانی، تدارکات و موارد دیگر.

گزارش‌های خود را با تجزیه و تحلیل داده‌های اکتشافی Power BI (EDA) تقویت کنید. شما با استفاده از آمار توصیفی برای شناسایی نقاط پرت، شناسایی داده‌های از دست رفته و استفاده از تکنیک‌های انتساب برای پر کردن شکاف‌های موجود در مجموعه داده‌تان شروع می‌کنید. سپس خواهید آموخت که چگونه EDA در Power BI می تواند به شما کمک کند تا با استفاده از معیارهای آماری اولیه و نمودارهای جعبه و پراکندگی، روابط بین متغیرها را کشف کنید - اعم از طبقه بندی شده و پیوسته.

زمانی که مجموعه داده شما به صورت جدول یا پایگاه داده نشان داده می شود، مشاهده چیزهای زیادی در مورد آن فراتر از اندازه آن و انواع متغیرهای موجود در آن دشوار است. در این دوره، یاد خواهید گرفت که چگونه از تکنیک های گرافیکی و عددی برای شروع کشف ساختار داده های خود استفاده کنید. کدام متغیرها روابط جالبی را نشان می دهند؟ کدام مشاهدات غیرعادی هستند؟ در پایان دوره، می‌توانید به این سؤالات و موارد دیگر پاسخ دهید و در عین حال گرافیک‌هایی را ایجاد کنید که هم روشنگر و هم زیبا هستند.

شما به پایگاه داده دسترسی دارید. حالا چیکار میکنی؟ با تکیه بر مهارت‌های موجود خود در پیوستن به جداول، استفاده از توابع اولیه، گروه‌بندی داده‌ها و استفاده از پرسش‌های فرعی، گام بعدی در سفر SQL شما یادگیری نحوه کاوش در پایگاه داده و داده‌های موجود در آن است. با استفاده از داده‌های شرکت‌های Stack Overflow، Fortune 500، و درخواست‌های کمک 311 از Evanston، IL، با انواع داده‌های عددی، کاراکتر و تاریخ/زمان آشنا می‌شوید. شما از توابع برای جمع‌آوری، خلاصه‌سازی و تجزیه و تحلیل داده‌ها بدون خروج از پایگاه داده استفاده خواهید کرد. خطاها و ناهماهنگی ها در داده ها شما را متوقف نمی کند! مشکلات رایجی که باید جستجو کنید و استراتژی هایی برای پاکسازی داده های نامرتب را یاد خواهید گرفت. در پایان این دوره، شما آماده خواهید بود که کاوش پایگاه های داده PostgreSQL خود و تجزیه و تحلیل داده های موجود در آنها را آغاز کنید.

بنابراین شما داده های جالبی دارید - تحلیل خود را از کجا شروع می کنید؟ این دوره، فرآیند کاوش و تجزیه و تحلیل داده‌ها، از درک آنچه در یک مجموعه داده تا ترکیب یافته‌های اکتشاف در یک گردش کار علم داده را شامل می‌شود، پوشش می‌دهد.

با استفاده از داده‌های مربوط به ارقام بیکاری و قیمت بلیط هواپیما، از پایتون برای جمع‌بندی و اعتبارسنجی داده‌ها، محاسبه، شناسایی و جایگزینی مقادیر از دست رفته و پاکسازی مقادیر عددی و مقوله‌ای استفاده می‌کنید. در طول دوره، تصاویر زیبای Seaborn را برای درک متغیرها و روابط آنها ایجاد خواهید کرد.

برای مثال، نحوه ارتباط مصرف الکل و عملکرد دانش‌آموز را بررسی خواهید کرد. در نهایت، این دوره نشان می‌دهد که چگونه یافته‌های اکتشافی با ایجاد ویژگی‌های جدید، متعادل کردن ویژگی‌های طبقه‌بندی، و ایجاد فرضیه‌ها از یافته‌ها، به جریان‌های کاری علم داده وارد می‌شوند.

در پایان این دوره، اطمینان خواهید داشت که تجزیه و تحلیل داده‌های اکتشافی (EDA) خود را در پایتون انجام دهید. می‌توانید یافته‌های خود را به صورت بصری برای دیگران توضیح دهید و گام‌های بعدی را برای جمع‌آوری بینش از داده‌های خود پیشنهاد دهید!

آیا تا به حال در مورد دستگاه های اینترنت اشیا شنیده اید؟ البته که دارید. شاید شما نیز یک Raspberry PI در خانه خود داشته باشید که دما و رطوبت را کنترل می کند. دستگاه های اینترنت اشیا همه جا در اطراف ما هستند و داده های مربوط به محیط ما را جمع آوری می کنند. شما داده های زیست محیطی، داده های ترافیک و همچنین داده های شمارنده انرژی را تجزیه و تحلیل خواهید کرد. پس از دوره آموزشی، نحوه جمع آوری و ذخیره داده ها را از یک جریان داده یاد خواهید گرفت. قبل از اجرا، داده های اینترنت اشیا را برای تجزیه و تحلیل، تجزیه و تحلیل و تجسم داده های اینترنت اشیا آماده می کنید یک مدل یادگیری ماشینی ساده برای انجام اقدامات در هنگام وقوع رویدادهای خاص و استقرار این مدل به یک جریان داده در زمان واقعی.

تحلیل داده‌های بیزی یک روش رو به افزایش استنتاج آماری است که برای تعیین احتمال شرطی بدون تکیه بر ثابت‌های ثابت مانند سطوح اطمینان یا مقادیر p استفاده می‌شود. در این دوره، یاد خواهید گرفت که تجزیه و تحلیل داده بیزی چگونه کار می کند، چگونه با رویکرد کلاسیک متفاوت است، و چرا بخشی ضروری از جعبه ابزار علم داده شما است. با تجزیه و تحلیل داده‌های تبلیغاتی، فروش و اجاره دوچرخه در دنیای واقعی، با آزمایش A/B، تجزیه و تحلیل تصمیم‌گیری و مدل‌سازی رگرسیون خطی با استفاده از رویکرد بیزی آشنا خواهید شد. در نهایت، با کتابخانه PyMC3 آشنا خواهید شد، که طراحی، تناسب و تفسیر مدل‌های بیزی را برای شما آسان‌تر می‌کند.

تجزیه و تحلیل داده‌های رسانه‌های اجتماعی می‌تواند بینش‌های ارزشمندی را در اختیار شما قرار دهد. می تواند استراتژی های کمپین را اطلاع رسانی کند، بازاریابی و فروش را بهبود بخشد، مشارکت مشتری را اندازه گیری کند، تجزیه و تحلیل رقبا را انجام دهد و شبکه های دست نخورده را شناسایی کند. در این دوره، از R برای استخراج و تجسم داده‌های توییتر، انجام تحلیل شبکه و مشاهده موقعیت جغرافیایی توییت‌ها استفاده می‌کنید. از مجموعه داده‌های مختلفی برای به کار بردن چیزهایی که آموخته‌اید، استفاده می‌کنید، از جمله توییت‌هایی درباره افراد مشهور، شرکت‌های فناوری، موضوعات پرطرفدار و ورزش.

تویتر صدها میلیون پیام در روز تولید می کند و مردم در سراسر جهان در مورد ورزش، سیاست، تجارت و سرگرمی بحث می کنند. شما می توانید در عرض چند دقیقه به هزاران پیامی که در این جریان جریان دارد دسترسی داشته باشید. در این دوره آموزشی، نحوه جمع آوری داده های توییتر و تجزیه و تحلیل متن توییت، شبکه های توییتر و منشاء جغرافیایی توییت را یاد می گیرید. ما این کار را با مجموعه داده‌های شرکت‌های فناوری، هشتگ‌های علم داده و آدرس سال ۲۰۱۸ انجام خواهیم داد. با استفاده از این روش‌ها، می‌توانید با کشف فراوانی موضوعات مهم، تنوع شبکه‌های بحث و گستره جغرافیایی یک موضوع، تصمیم‌گیری تجاری و سیاسی را آگاه کنید.

کسب و کارها داده ها را در مورد همه چیز، از عملیات گرفته تا بازاریابی و منابع انسانی، ردیابی می کنند. استفاده از این داده‌ها به کسب‌وکارها این امکان را می‌دهد تا خود و مشتریانشان را بهتر بشناسند، که منجر به سود بیشتر و عملکرد بهتر می‌شود. در این دوره آموزشی، با معیارهای کلیدی که کسب و کارها برای اندازه گیری عملکرد استفاده می کنند، آشنا خواهید شد. شما پرس و جوهای SQL را برای محاسبه این معیارها و تولید نتایج آماده گزارش می نویسید. در طول دوره، داده‌های یک استارت‌آپ تخیلی تحویل غذا را با الگوبرداری از داده‌های شرکت‌های واقعی مطالعه خواهید کرد.

قبلاً در یک نظرسنجی (یا 1000) شرکت کرده‌اید، درست است؟ آیا تا به حال به این فکر کرده اید که طراحی یک نظرسنجی چه چیزی را شامل می شود و چگونه پاسخ های نظرسنجی به بینش های عملی تبدیل می شوند؟ البته که داری! در تجزیه و تحلیل داده‌های نظرسنجی در R، شما با نظرسنجی‌ها از A تا Z کار می‌کنید، از ساختارهای طراحی نظرسنجی رایج، مانند خوشه‌بندی و طبقه‌بندی شروع می‌کنید و تا تجسم و تجزیه و تحلیل نتایج نظرسنجی ادامه می‌دهید. شما داده های نظرسنجی را از نظرسنجی ملی سلامت و تغذیه با استفاده از نظرسنجی R و بسته های tidyverse مدل خواهید کرد. پس از این دوره، شما قادر خواهید بود نتایج نظرسنجی را با موفقیت تفسیر کنید و در نهایت پاسخ سوالات داغ زندگی را بیابید!