این دوره نهایی در گواهینامه حرفه ای علم داده های IBM و همچنین علم داده کاربردی با تخصص پایتون است. این دوره پروژه Capstone به شما این شانس را می دهد که کارهایی را که دانشمندان داده در زندگی واقعی هنگام کار با مجموعه داده ها انجام می دهند، تمرین کنید. در این دوره شما نقش یک دانشمند داده را بر عهده می گیرید که برای استارتاپی که قصد رقابت با اسپیس ایکس را دارد کار می کند و در این فرآیند متدولوژی علم داده شامل جمع آوری داده ها، مشاجره داده ها، تجزیه و تحلیل داده های اکتشافی، تجسم داده ها، توسعه مدل، ارزیابی مدل را دنبال می کنید. و نتایج خود را به ذینفعان گزارش دهید. شما وظیفه دارید پیش بینی کنید که آیا اولین مرحله موشک فالکون 9 اسپیس ایکس با موفقیت فرود می آید یا خیر. با کمک یافته‌ها و مدل‌های Data Science، استارت‌آپ رقیبی که توسط آن استخدام شده‌اید، می‌تواند پیشنهادهای آگاهانه‌تری علیه SpaceX برای پرتاب موشک ارائه دهد. در این دوره، یادگیری جدیدی وجود نخواهد داشت، در عوض شما بر روی کار عملی تمرکز خواهید کرد تا آنچه را که در دوره های قبلی آموخته اید نشان دهید و به کار ببرید. با تکمیل موفقیت آمیز این Capstone، پروژه ای را به مجموعه علوم داده و یادگیری ماشینی خود اضافه می کنید تا به کارفرمایان نشان دهید.

این دوره یادگیرندگان را با تاریخ عمومی کاربردی آشنا می کند: درک و تفسیر گذشته امروز، و درگیر کردن جوامع مختلف در تمرین ساختن و به اشتراک گذاری تاریخ. این دوره از مطالعات موردی پروژه، بینش های متخصص و دیدگاه های متنوع برای مدل سازی رویکردهای هیجان انگیز برای تحقیق و به اشتراک گذاری تاریخ مکان ها و مردم استفاده می کند. فراگیران با شرکت در بحث، آزمون‌ها، فعالیت‌های خلاقانه و مینی کلاس‌های مستر، ابزاری را برای استفاده در تمرین خود ایجاد خواهند کرد. چه نوع داستان هایی را می توانیم از طریق تحقیق در تاریخ مکان ها و مردم کشف کنیم؟ چگونه جوامع مختلف را با آن داستان‌ها درگیر کنیم؟ از چه نوع رویکردهای تخیلی می توانیم برای تفسیر گذشته استفاده کنیم؟ و چه ابزارها و فرصت هایی را می توانیم برای گنجاندن گروه ها و افراد جدید در طرح های تحقیقاتی محلی ایجاد کنیم؟ این دوره که توسط مرکز تاریخ مردم، مکان و جامعه در مؤسسه تحقیقات تاریخی، دانشگاه لندن - مرکز ملی تاریخ بریتانیا هدایت می‌شود، به بررسی این سؤالات می‌پردازد و به فراگیران کمک می‌کند تا رویکردهای قابل انتقالی را برای تفسیر تاریخ محلی و میراث محلی خود ایجاد کنند. .

اگر راه میانبری برای تبدیل شدن به یک دانشمند داده وجود دارد، پس یادگیری تفکر و کار مانند یک دانشمند داده موفق همین است. در این دوره، شما این روش را یاد می گیرید و سپس از آن استفاده می کنید که می توانید برای مقابله با هر سناریو علم داده استفاده کنید. شما دو روش قابل توجه علم داده، روش شناسی علوم داده بنیادی، و روش علم داده شش مرحله ای CRISP-DM را بررسی خواهید کرد و نحوه به کارگیری این متدولوژی های علم داده را خواهید آموخت. بسیاری از دانشمندان داده‌های معتبر از این روش‌ها یا روش‌های مشابه برای حل مسائل علم داده پیروی می‌کنند. با یادگیری در مورد شکل‌گیری مشکل تجاری/تحقیق شروع کنید. بیاموزید که دانشمندان داده چگونه داده‌ها را بدست می‌آورند، آماده می‌کنند و تجزیه و تحلیل می‌کنند. کشف کنید که چگونه به کارگیری روش‌های روش‌شناسی علم داده کمک می‌کند تا اطمینان حاصل شود که داده‌های مورد استفاده برای حل مسئله مرتبط هستند و به درستی دستکاری شده‌اند تا به سؤال پاسخ دهند. در مرحله بعد، در مورد ساخت مدل داده، استقرار آن مدل، داستان سرایی داده ها و دریافت بازخورد بیاموزید. شما مانند یک دانشمند داده فکر می کنید و مهارت های روش علم داده خود را با استفاده از یک سناریوی الهام گرفته شده از دنیای واقعی از طریق آزمایشگاه های مترقی که در نوت بوک های Jupyter میزبانی می شوند و با استفاده از آنها توسعه می دهید. پایتون.

این چهارمین دوره از پنج دوره، رویکردهای روش‌شناختی و ابزارهای پژوهشی را بررسی می‌کند که درک ما را از بهترین شیوه‌ها در کار با تیم‌های علمی، جوامع و با داده‌ها نشان می‌دهد. سرفصل های این دوره شامل: 1. تحقیقات مشارکتی مبتنی بر جامعه 2. علوم تیمی 3. داده های سطح جامعه 4. انفورماتیک و عوامل اجتماعی تعیین کننده سلامت: مدیریت دانش 5. کاربردهای داده: تجزیه و تحلیل ANOVA و تجسم نمودار خطی

این دوره مقدمه ای بر تعدادی از متدولوژی های اصلی توسعه که امروزه توسط برنامه نویسان برنامه استفاده می شود، ارائه می دهد. این روش‌ها چارچوب و ساختاری را برای فرآیند توسعه فراهم می‌کنند تا اطمینان حاصل شود که تیم‌ها می‌توانند با هم کار کنند و تمام مراحل حیاتی دنبال می‌شوند. ما در مورد چرخه عمر توسعه نرم افزار (SDLC)، مفاهیم چابک، یکپارچه سازی مداوم/تحویل مستمر و 12 عامل برای توسعه ابر بحث خواهیم کرد. برای تکمیل این دوره نیازی به تجربه توسعه قبلی نیست و نیازی به سخت افزار یا نرم افزار خاصی خارج از محیط Coursera وجود ندارد.