مهارت های خود را در این پروژه مهندسی داده به نمایش بگذارید! در این دوره شما انواع مهارت ها و تکنیک های مهندسی داده را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای مهندسی داده IBM آموخته اید، به کار می گیرید. شما دانش خود را در زمینه مهندسی داده با در نظر گرفتن نقش یک مهندس داده جوان که اخیراً به یک سازمان پیوسته است، نشان خواهید داد و با یک مورد استفاده در دنیای واقعی که نیاز به معماری و پیاده سازی یک پلت فرم تجزیه و تحلیل داده دارد، به شما ارائه می شود. در این پروژه Capstone شما چندین آزمایشگاه عملی را تکمیل خواهید کرد. شما با استفاده از پایگاه داده های رابطه ای و NoSQL مانند MySQL و MongoDB، مخازن داده ایجاد و پرس و جو خواهید کرد. شما همچنین یک انبار داده را با استفاده از PostgreSQL و IBM Db2 طراحی و پر می کنید و برای انجام عملیات Cube و Rollup کوئری می نویسید. شما از داده های موجود در انبار داده گزارش تولید می کنید و با استفاده از Cognos Analytics یک داشبورد می سازید. همچنین با ایجاد خطوط لوله داده برای جابجایی داده ها از مخازن مختلف، مهارت خود را در فرآیندهای استخراج، تبدیل و بارگذاری (ETL) نشان خواهید داد. شما تجزیه و تحلیل داده های بزرگ را با استفاده از Apache Spark انجام خواهید داد تا با کمک یک مدل یادگیری ماشینی پیش بینی کنید. این دوره آخرین دوره در گواهینامه حرفه ای مهندسی داده IBM است. توصیه می شود قبل از شروع این دوره، تمام دوره های قبلی در این گواهینامه حرفه ای را تکمیل کنید.

این مینی دوره برای شما در نظر گرفته شده است تا مهارت های پایه پایتون را برای کار با داده ها نشان دهید. این دوره در درجه اول شامل تکمیل پروژه ای است که در آن نقش یک دانشمند داده یا یک تحلیلگر داده را بر عهده می گیرید و مجموعه داده های دنیای واقعی و سناریوی الهام گرفته شده از دنیای واقعی برای شناسایی الگوها و روندها به شما ارائه می شود. شما کارهای خاص علم داده و تجزیه و تحلیل داده مانند استخراج داده ها، خراش دادن وب، تجسم داده ها و ایجاد داشبورد را انجام خواهید داد. این پروژه مهارت شما را با پایتون و استفاده از کتابخانه هایی مانند پانداها و سوپ زیبا در یک نوت بوک Jupyter نشان می دهد. پس از اتمام، یک پروژه چشمگیر برای اضافه کردن به سبد شغلی خود خواهید داشت. پیش نیاز: **دوره پایتون برای علوم داده، هوش مصنوعی و توسعه** از IBM پیش نیاز این دوره پروژه است. لطفاً مطمئن شوید که قبل از گذراندن این دوره، دوره پایتون برای علوم داده، هوش مصنوعی و توسعه از IBM را گذرانده باشید یا مهارتی معادل در کار با پایتون و داده داشته باشید. توجه: این دوره آموزشی برای آموزش پایتون به شما نیست و محتوای آموزشی زیادی ندارد. این برای شما در نظر گرفته شده است که دانش قبلی پایتون را به کار ببرید.

مهارت های پایتون خود را در این پروژه مهندسی داده به نمایش بگذارید! این دوره کوتاه برای به کارگیری مهارت های پایتون شما از طریق اجرای تکنیک های مختلف برای جمع آوری و دستکاری داده ها طراحی شده است. شما نقش یک مهندس داده را با استخراج داده ها از منابع متعدد و تبدیل داده ها به فرمت های خاص و آماده سازی آن برای بارگذاری در پایگاه داده برای تجزیه و تحلیل، بر عهده خواهید گرفت. همچنین دانش خود را در مورد خراش دادن وب و استفاده از APIها برای استخراج داده ها نشان خواهید داد. در پایان این پروژه عملی، شما مهارت خود را در مهارت های مهم برای استخراج تبدیل و بارگذاری داده ها با استفاده از یک IDE و البته برنامه نویسی پایتون نشان خواهید داد. پس از اتمام این دوره، شما همچنین یک محصول جدید عالی به مجموعه خود خواهید داشت! پیش نیاز: **دوره پایتون برای علم داده، هوش مصنوعی و توسعه** از IBM پیش نیاز این دوره پروژه است. لطفاً مطمئن شوید که قبل از گذراندن این دوره، دوره پایتون برای علوم داده، هوش مصنوعی و توسعه از IBM را گذرانده باشید یا مهارتی معادل در کار با پایتون و داده داشته باشید. توجه: این دوره آموزشی برای آموزش پایتون به شما نیست و محتوای آموزشی جدید زیادی ندارد. این برای شما در نظر گرفته شده است که بیشتر از دانش قبلی پایتون استفاده کنید.

این دوره شما را از طریق یک پروژه عملی مناسب برای نمونه کارها راهنمایی می کند. شما با API های شخص ثالث آشنا می شوید و نحوه دستکاری تصاویر با استفاده از کتابخانه تصویربرداری پایتون (بالش)، نحوه اعمال تشخیص نویسه نوری روی تصاویر برای تشخیص متن (tesseract و pytesseract) به شما نشان داده می شود. در پایان دوره شما با این کتابخانه های مختلف موجود برای پایتون 3 کار کرده اید تا یک پروژه در دنیای واقعی ایجاد کنید. این دوره برای زبان آموزانی مناسب است که چهار دوره اول تخصص برنامه نویسی پایتون 3 را گذرانده اند. زبان آموزانی که قبلاً مهارت های برنامه نویسی پایتون دارند اما می خواهند با یک پروژه عملی و واقعی تمرین کنند نیز می توانند از این دوره بهره مند شوند. این پنجمین و آخرین دوره در تخصص برنامه نویسی پایتون 3 است.

این دوره برای برنامه نویسان تازه کار یا افراد تجاری است که می خواهند ابزارهای اصلی مورد استفاده برای بحث و تحلیل داده های بزرگ را درک کنند. بدون هیچ تجربه قبلی، این فرصت را خواهید داشت که نمونه های عملی را با چارچوب های Hadoop و Spark که دو مورد از رایج ترین آنها در صنعت هستند، مرور کنید. با توضیح اجزای خاص و فرآیندهای اساسی معماری Hadoop، پشته نرم افزار و محیط اجرا راحت خواهید بود. در تکالیف به شما راهنمایی می‌شود که چگونه دانشمندان داده مفاهیم و تکنیک‌های مهمی مانند Map-Reduce را که برای حل مشکلات اساسی در داده‌های بزرگ استفاده می‌شوند، به کار می‌برند. برای گفتگو در مورد کلان داده ها و فرآیند تجزیه و تحلیل داده ها احساس قدرت خواهید کرد.

Raspberry Pi یک کامپیوتر تک برد کوچک و مقرون به صرفه است که از آن برای طراحی و توسعه دستگاه های سرگرم کننده و کاربردی اینترنت اشیا در حین یادگیری برنامه نویسی و سخت افزار کامپیوتر استفاده خواهید کرد. علاوه بر این، شما یاد خواهید گرفت که چگونه محیط Raspberry Pi را راه اندازی کنید، یک سیستم عامل لینوکس را اجرا کنید، و برخی از کدهای پایه پایتون را روی Raspberry Pi بنویسید و اجرا کنید. همچنین نحوه استفاده از IDE مبتنی بر پایتون (محیط های توسعه یکپارچه) برای Raspberry Pi و نحوه ردیابی و اشکال زدایی کد پایتون در دستگاه را خواهید آموخت. لطفا توجه داشته باشید که این دوره شامل تالار گفتگو نمی باشد.

در پلت‌فرم‌های MLOps (عملیات یادگیری ماشین): Amazon SageMaker و Azure ML، مهارت‌های لازم برای ساخت، آموزش و استقرار راه‌حل‌های یادگیری ماشین را در یک محیط تولید با استفاده از دو پلتفرم ابری پیشرو خواهید آموخت: خدمات وب آمازون (AWS) و Microsoft Azure. این دوره همچنین یک منبع عالی برای افرادی است که به دنبال آماده شدن برای گواهینامه های یادگیری ماشینی AWS یا Azure هستند یا به عنوان دانشمندان داده، مهندسان نرم افزار، توسعه دهندگان نرم افزار، تحلیلگران داده یا سایر نقش هایی که از یادگیری ماشینی استفاده می کنند، کار می کنند (یا به دنبال کار هستند). از طریق یک سری تمرین‌های عملی، شهودی برای الگوریتم‌های یادگیری ماشین اولیه و تجربه عملی کار با این پلت‌فرم‌های پیشرو Cloud به دست خواهید آورد. در پایان دوره، شما قادر خواهید بود راه حل های یادگیری ماشین را در یک محیط تولید با استفاده از فناوری AWS و Azure استقرار دهید. هفته 1. مهندسی داده را با فناوری AWS کاوش کنید. ما در مورد موضوعاتی مانند شروع یادگیری ماشین در AWS، ایجاد مخازن داده، و شناسایی و اجرای راه‌حل‌هایی برای جذب و تبدیل داده بحث خواهیم کرد. هفته 2. با فناوری AWS، مهارت های پایه علوم داده را به دست آورید. شما تکنیک های پاکسازی داده ها، مهندسی ویژگی ها، تجزیه و تحلیل داده ها و تجسم داده ها را برای یادگیری ماشینی خواهید آموخت. ما استفاده از راه‌حل‌های بدون سرور را که در AWS در دسترس هستند، در اولویت قرار می‌دهیم تا فرآیند کارآمدتر شود. هفته 3. مدل‌های یادگیری ماشینی را با فناوری AWS بیاموزید. ما نحوه انتخاب مدل‌های مناسب برای کار در دست، انتخاب ابرپارامترها، آموزش مدل‌ها بر روی پلت فرم و ارزیابی مدل‌ها را بررسی خواهیم کرد. هفته 4. آموزش MLOps با AWS: مرحله نهایی قرار دادن یادگیری ماشینی در تولید. ما در مورد موضوعاتی مانند عملیاتی کردن یک مدل یادگیری ماشین، تصمیم گیری بین CPU و GPU، و استقرار و حفظ مدل بحث خواهیم کرد. هفته 5. نحوه کار با داده ها و یادگیری ماشین را در دومین پلتفرم پیشرو مبتنی بر Cloud بیاموزید: Azure ML.

این دوره دومین دوره تخصصی در زمینه یادگیری ماشین برای مبانی زنجیره تامین است. در این دوره، تمام جنبه های سری های زمانی، به ویژه برای پیش بینی تقاضا را بررسی می کنیم. ما با به دست آوردن جای پایی در مفاهیم اساسی پیرامون سری های زمانی، از جمله ایستایی، روند (رانش)، چرخه ای بودن، و فصلی شروع خواهیم کرد. سپس، مدتی را صرف تحلیل روش‌های همبستگی در رابطه با سری‌های زمانی (خودهمبستگی) خواهیم کرد. در نیمه دوم دوره، ما بر روی روش‌هایی برای پیش‌بینی تقاضا با استفاده از سری‌های زمانی، مانند مدل‌های خودرگرسیون تمرکز خواهیم کرد. در نهایت، با پروژه ای نتیجه گیری می کنیم که تقاضا را با استفاده از مدل های ARIMA در پایتون پیش بینی می کند.

در این دوره، ما اصول اولیه استفاده از داده ها برای تخمین و ارزیابی نظریه ها را بررسی خواهیم کرد. ما هم داده های طبقه بندی شده و هم داده های کمی را تجزیه و تحلیل خواهیم کرد، از تکنیک های یک جمعیت شروع می کنیم و برای مقایسه دو جمعیت گسترش می دهیم. ما یاد خواهیم گرفت که چگونه فواصل اطمینان ایجاد کنیم. ما همچنین از داده های نمونه برای ارزیابی اینکه آیا یک نظریه در مورد مقدار یک پارامتر با داده ها مطابقت دارد یا خیر استفاده خواهیم کرد. تمرکز اصلی بر تفسیر مناسب نتایج استنباطی خواهد بود. در پایان هر هفته، فراگیران آموخته های خود را با استفاده از پایتون در محیط دوره به کار می گیرند. در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

این دوره مقدمه ای بر تکنیک های علوم داده پایه با استفاده از پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی مانند Data Frames و پیوستن به داده ها آشنا می شوند و یاد می گیرند که چگونه از کتابخانه های تجزیه و تحلیل داده ها مانند پانداها، numpy و matplotlib استفاده کنند. این دوره مروری بر بارگذاری، بازرسی و پرس و جوی داده های دنیای واقعی و چگونگی پاسخ به سوالات اساسی در مورد آن داده ها را ارائه می دهد. دانش‌آموزان مهارت‌هایی در جمع‌آوری و خلاصه‌سازی داده‌ها و همچنین تجسم داده‌های اولیه کسب خواهند کرد.

در این دوره آموزشی، نحوه خواندن و نوشتن داده ها از یک فایل و روی آن را یاد خواهید گرفت. همچنین نحوه دستکاری و تجزیه و تحلیل داده ها را با استفاده از لیست ها، تاپل ها، دیکشنری ها، مجموعه ها و کتابخانه های پانداها و Matplot بررسی خواهید کرد. به‌عنوان یک توسعه‌دهنده، درک نحوه برخورد با مسائلی که می‌تواند باعث از کار افتادن یک برنامه کاربردی شود، مهم است. شما یاد خواهید گرفت که چگونه استثناها را برای رسیدگی به این مسائل پیاده سازی کنید. برای یادگیری مطالب در این دوره نیازی به پیشینه برنامه نویسی یا علوم کامپیوتر ندارید. این دوره برای همه کسانی که علاقه مند به یادگیری نحوه کدنویسی و نوشتن برنامه در پایتون هستند آزاد است. ما بسیار هیجان زده هستیم که با ما یاد خواهید گرفت و امیدواریم از این دوره لذت ببرید!

این دوره استفاده از زبان برنامه نویسی پایتون را برای دستکاری مجموعه داده ها به عنوان جایگزینی برای صفحات گسترده معرفی می کند. شما از چارچوب OSEMN تجزیه و تحلیل داده ها پیروی می کنید تا داده ها را بکشید، تمیز کنید، دستکاری کنید و تفسیر کنید و در عین حال اصول برنامه نویسی اساسی و توابع پایه پایتون را یاد بگیرید. شما با کتابخانه پایتون، پانداها و نحوه استفاده از آن برای به دست آوردن، تمیز کردن، کاوش و تجسم داده ها آشنا خواهید شد. در پایان این دوره شما قادر خواهید بود: • از پایتون برای ساخت حلقه ها و ساختارهای داده اولیه استفاده کنید • مرتب سازی، پرس و جو و ساختار داده ها در پانداها، کتابخانه پایتون • تجسم داده ها را با کتابخانه های پایتون ایجاد کنید • مدل سازی و تفسیر داده ها با استفاده از پایتون این دوره برای افرادی طراحی شده است که می خواهند اصول استفاده از پایتون را برای مرتب سازی و ساختار داده ها برای تجزیه و تحلیل داده ها یاد بگیرند. شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید.

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

نتایج یادگیرنده: پس از گذراندن این دوره، شما قادر خواهید بود: - از سرویس های مختلف رابط برنامه نویسی برنامه (API) برای جمع آوری داده ها از منابع مختلف رسانه های اجتماعی مانند یوتیوب، توییتر و فلیکر استفاده کنید. - پردازش داده های جمع آوری شده - عمدتاً ساختار یافته - با استفاده از روش هایی شامل همبستگی، رگرسیون و طبقه بندی برای به دست آوردن بینش در مورد منابع و افرادی که آن داده ها را تولید کرده اند. - داده های بدون ساختار - عمدتاً نظرات متنی - را برای احساسات بیان شده در آنها تجزیه و تحلیل کنید. - از ابزارهای مختلف برای جمع آوری، تجزیه و تحلیل و کاوش داده های رسانه های اجتماعی برای اهداف تحقیق و توسعه استفاده کنید. نمونه داستان یادگیرنده: تحلیلگر داده که می خواهد از داده های رسانه های اجتماعی استفاده کند. ایزابلا یک تحلیلگر داده است که به عنوان مشاور برای یک شرکت چند ملیتی کار می کند. او تجربه کار با ابزارهای تحلیل وب و همچنین داده های بازاریابی را دارد. او می‌خواهد اکنون در عرصه رسانه‌های اجتماعی گسترش یابد و سعی کند از حجم وسیعی از داده‌های موجود از طریق کانال‌های مختلف رسانه‌های اجتماعی استفاده کند. به طور خاص، او می خواهد ببیند که مشتریان، شرکا و رقبا چگونه محصولات/خدمات خود را مشاهده می کنند و در مورد آنها صحبت می کنند. او امیدوار است که یک گردش کار جدید از تجزیه و تحلیل داده ایجاد کند که پردازش داده های سنتی با استفاده از وب و ابزارهای بازاریابی و همچنین روش های جدیدتر استفاده از داده های رسانه های اجتماعی را در بر می گیرد. نمونه نقش های شغلی که به این مهارت ها نیاز دارند: - تحلیلگر رسانه های اجتماعی - تحلیلگر وب - تحلیلگر داده - بازاریابی و روابط عمومی پروژه نهایی قابل تحویل / مصنوع: این دوره دارای یک سری تکالیف کوچک یا پروژه های کوچک است که شامل جمع آوری داده ها، تجزیه و تحلیل و ارائه شامل منابع مختلف رسانه های اجتماعی با استفاده از تکنیک های آموخته شده در کلاس است. این دوره توسط دکتر چراغ شاه در زمانی که او عضو هیئت علمی دانشگاه راتگرز بود، ایجاد شد. او در حال حاضر یکی از اعضای هیئت علمی دانشگاه واشنگتن است.

این پنجمین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته گوگل است. متخصصان داده از تحلیل رگرسیون برای کشف روابط بین متغیرهای مختلف در یک مجموعه داده و شناسایی عوامل کلیدی موثر بر عملکرد کسب و کار استفاده می کنند. در این دوره، مدل سازی روابط متغیر را تمرین خواهید کرد. شما در مورد روش های مختلف مدل سازی داده ها و نحوه استفاده از آنها برای نزدیک شدن به مشکلات تجاری یاد خواهید گرفت. همچنین روش هایی مانند رگرسیون خطی، تحلیل واریانس (ANOVA) و رگرسیون لجستیک را بررسی خواهید کرد. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاوش استفاده از مدل های پیش بینی برای توصیف روابط متغیرها، با تاکید بر همبستگی -تعیین کنید که چگونه رگرسیون چندگانه بر روی رگرسیون خطی ساده در هر مرحله از فرآیند مدل سازی ایجاد می شود -تست های ANOVA یک طرفه و دو طرفه را اجرا و تفسیر کنید - ساخت انواع مختلف رگرسیون لجستیک از جمله مدل های رگرسیون خطی دو جمله ای، چند جمله ای، ترتیبی و پواسون

تجزیه و تحلیل شبکه یک روش قدیمی است که برای درک روابط بین کلمات و بازیگران در شبکه های گسترده تر که در آن وجود دارند استفاده می شود. این دوره تجزیه و تحلیل شبکه را در رابطه با داده های بازاریابی، به ویژه مجموعه داده های متنی و شبکه های اجتماعی پوشش می دهد. زبان‌آموزان مروری مفهومی از تجزیه و تحلیل شبکه را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

در دنیای امروزی مبتنی بر داده، توانایی ایجاد تجسم‌های متقاعدکننده و بیان داستان‌های تاثیرگذار با داده‌ها یک مهارت بسیار مهم است. این دوره جامع شما را در فرآیند تجسم با استفاده از ابزارهای کدنویسی با پایتون، صفحات گسترده و ابزارهای BI (هوش تجاری) راهنمایی می کند. چه یک تحلیلگر داده، یک حرفه ای در کسب و کار یا یک داستان نویس مشتاق داده باشید، این دوره دانش و بهترین شیوه ها را برای برتری در هنر داستان سرایی بصری در اختیار شما قرار می دهد. در طول دوره، یک مجموعه داده ثابت برای تمرین ها استفاده خواهد شد، که به شما امکان می دهد به جای گرفتار شدن در پیچیدگی های داده ها، بر تسلط بر ابزارهای تجسم تمرکز کنید. تاکید بر کاربرد عملی است که به شما امکان می دهد ابزارها را در یک زمینه دنیای واقعی یاد بگیرید و تمرین کنید. برای استفاده کامل از بخش های پایتون این دوره، برنامه نویسی با تجربه قبلی در پایتون توصیه می شود. علاوه بر این، درک کاملی از ریاضیات سطح دبیرستان انتظار می رود. آشنایی با کتابخانه پانداها نیز مفید خواهد بود. در پایان این دوره، شما مهارت های لازم برای تبدیل شدن به یک داستان گوی داده و ارتباط تصویری ماهر را خواهید داشت. با توانایی ایجاد تجسم های قانع کننده و استفاده از ابزارهای مناسب، به خوبی مجهز خواهید بود تا در دنیای داده ها حرکت کنید و تصمیمات آگاهانه ای بگیرید که تأثیر معنی داری داشته باشد.

این دوره از طریق آموزش با استفاده از کتابخانه NetworkX زبان آموز را با تجزیه و تحلیل شبکه آشنا می کند. این دوره با درک اینکه تحلیل شبکه چیست و انگیزه هایی برای اینکه چرا ممکن است پدیده ها را به عنوان شبکه مدل سازی کنیم آغاز می شود. هفته دوم مفهوم اتصال و استحکام شبکه را معرفی می کند. هفته سوم راه های اندازه گیری اهمیت یا مرکزیت یک گره در یک شبکه را بررسی خواهد کرد. هفته آخر سیر تکامل شبکه‌ها در طول زمان را بررسی می‌کند و مدل‌های تولید شبکه و مشکل پیش‌بینی لینک را پوشش می‌دهد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

این دوره زبان آموز را با مبانی تجسم اطلاعات، با تمرکز بر گزارش و ترسیم نمودار با استفاده از کتابخانه matplotlib آشنا می کند. این دوره با یک دیدگاه طراحی و سواد اطلاعاتی شروع می شود و به این موضوع می پردازد که چه چیزی یک تجسم خوب و بد را ایجاد می کند و معیارهای آماری از نظر تجسم به چه چیزی تبدیل می شوند. هفته دوم بر روی فناوری مورد استفاده برای تجسم سازی در پایتون، matplotlib و معرفی بهترین شیوه ها در هنگام ایجاد نمودارهای اساسی و نحوه تحقق تصمیمات طراحی در چارچوب تمرکز خواهد کرد. هفته سوم آموزش عملکردهای موجود در matplotlib خواهد بود و انواع نمودارهای آماری پایه را نشان می دهد که به یادگیرندگان کمک می کند تشخیص دهند که چه زمانی یک روش خاص برای یک مشکل خاص خوب است. این دوره با بحث در مورد اشکال دیگر ساختاردهی و تجسم داده ها به پایان می رسد. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و قبل از باقیمانده دوره های علوم داده کاربردی با پایتون گذرانده شود: یادگیری ماشین کاربردی در پایتون، متن کاوی کاربردی در پایتون، و تحلیل شبکه های اجتماعی کاربردی در پایتون.

در بازار کار امروزی، رهبران برای رقابتی بودن نیاز به درک اصول اساسی داده ها دارند. یک روش ضروری برای درک تجارت و تجزیه و تحلیل، آزمون فرضیه است. این دوره کوتاه که توسط اساتید متخصص دانشگاه تافتز طراحی شده است، مبانی آزمون فرضیه میانگین جمعیت و نسبت جمعیت را با استفاده از Excel و Python برای محاسبات آموزش می دهد. شما همچنین قضیه حد مرکزی را که برای آزمایش فرضیه ضروری است، کشف خواهید کرد. برای به پایان رساندن دوره، با ایجاد طرحی برای آزمایشی در محل کار خود که از آزمون فرضیه استفاده می کند، مهارت های جدید خود را به کار خواهید گرفت.