Data Scientist - Masterprogram - Ett unikt utbildnings och certifieringsprogram!

Data Scientist - Masterprogram

Ett unikt inlärnings- och certifieringsprogram!

I samarbete med IBM

Den här IBM-sponsrade datavetenskapskursen innehåller unika hackathons, mästarklasser, webbseminarier och "Ask-Me-Anything"-sessioner. Onlinekursen ger dig praktisk erfarenhet av R, Python, Machine Learning, Tableau, Hadoop och Spark. Förbättra dina kunskaper med denna kurs i Data Science och liveinteraktion med andra praktiker och Machine Learning Engineers.

Förbättra din inlärning med IBM:s styrka

• Med exklusiva Hackathons, Masterclasses och Ask-Me-Anything-sessioner från IBM. Få erkända IBM-certifieringar som erkänns av branschen.
• Praktiska uppgifter och mer än 25 datavetenskapsprojekt.
  Industrirelevanta projekt från bland annat Amazon, Walmart och Mercedes Benz.
• Livsnära inlärningsupplevelse: 8X mer liveinteraktion i live Data Science online-klasser av branschexperter.
• Pedagogiskt upplägg: Högklassig läroplan för Data Science med integrerade labb och praktisk erfarenhet. Live-online-mästarklasser som undervisas av IBM-experter.

Om masterprogrammet i Data Science

Den här Data Science-kursen, i samarbete med IBM, accelererar din karriär inom Data Science och ger dig den utbildning och de färdigheter i världsklass som krävs för att bli framgångsrik inom detta område. Kursen ger omfattande utbildning i de mest efterfrågade färdigheterna inom Data Science och Machine Learning med praktisk exponering för viktiga verktyg och tekniker, inklusive Python, R, Tableau och begrepp inom Machine Learning. Bli en datavetare genom att dyka djupt in i nyanserna i datatolkning, behärska tekniker som maskininlärning och behärska kraftfulla programmeringsfärdigheter för att ta din karriär inom datavetenskap till nästa nivå.

Detta gemensamma samarbete mellan AVC och IBM introducerar deltagare till en integrerad blandad inlärningsmetod som gör dem till experter inom datavetenskap. Denna kurs i datavetenskap, i samarbete med IBM, kommer att hjälpa studenterna att bli redo för toppositioner som datavetare.

Data Scientist Master's program resultat

• Få en djupgående förståelse för datastruktur och datamanipulering.
• Förstå och använda linjära och icke-linjära regressionsmodeller och klassificeringstekniker för dataanalys.
• Få en djupgående förståelse för övervakade och oövervakade inlärningsmodeller som linjär regression, logistisk regression, klustring, dimensionalitetsreduktion, K-NN och pipelines.
• Utföra vetenskapligt och tekniskt beräkningsarbete med SciPy-paketet och dess underpaket, t.ex: Integrate, Optimise, Statistics, IO och Weave.
  Skaffa erfarenhet av matematiska beräkningar med hjälp av paketen NumPy och scikit-learn.
• Behärska begreppen rekommendationsmotorer och tidsseriemodellering och få praktisk kunskap om principer, algoritmer och tillämpningar av maskininlärning.
• Lär dig att analysera data med Tableau och bli duktig på att bygga interaktiva instrumentpaneler.

Data Science Certification Learning Path *

1. Kurs 1 - Python för Data Science
2. Kurs 2 - Tillämpad Data Science med Python
3. Kurs 3 - Machine Learning
4. Kurs 4 - Utbildning i Tableau
5. Kurs 5 - Data Science - en avslutande examensuppgift

Master-certifikat
* Du får individuella certifikat för varje kurs.

Tillvalskurser - Bonusmaterial

• SQL-utbildning
• Data Science med R-programmering
• Deep Learning med Keras och TensorFlow
• Masterclass industri levereras av IBM

Du behöver inte läsa dessa kurser för att få ditt Master Certificate. Du har möjlighet att läsa dessa kurser som en del av det övergripande programmet.

Verktyg som omfattas

Kurs 1: Python för Data Science

Börja med att lära dig Python för Data Science med den här introduktionskursen och bekanta dig med programmering. Efter den här kursen, som är noggrant sammanställd av IBM, kommer du efter avslutad kurs att kunna skriva Python-skript, utföra grundläggande praktiska dataanalyser med hjälp av den Jupyter-baserade labbmiljön och skapa dina egna Data Science-projekt med hjälp av IBM Watson.

Viktiga utbildningsmål

• Skriv ditt första Pythonprogram genom att tillämpa begrepp som variabler, strängar, funktioner, loopar och villkor.
• Förstå nyanserna i listor, uppsättningar, ordlistor, villkor och grenar samt objekt och klasser.
• Arbeta med data i Python, t.ex. läsa och skriva filer, ladda, arbeta och lagra data med Pandas.

Kursplan

• Lektion 01 - Grunderna i Python
• Lektion 02 - Pythons datastrukturer
• Lektion 03 - Grundläggande kunskaper om programmering i Python
• Lektion 04 - Arbeta med data i Python
• Lektion 05 - Arbete med NumPy-matriser

Kurs 2: Data Science med Python

I denna kurs i Data Science med Python får du en förståelse för Data Science och analysteknik med hjälp av Python. Med denna kurs i Python för Data Science lär du dig de grundläggande begreppen i Pythonprogrammering och får fördjupade kunskaper om dataanalys, Machine Learning, datavisualisering, webbskrapning och behandling av naturliga språk. Python är en nödvändig färdighet för många tjänster inom datavetenskap, så starta din karriär med denna interaktiva, praktiska kurs.

Viktiga utbildningsmål

• Få en fördjupad förståelse för Data Science-processer, datautvinning, dataexploatering, datavisualisering, hypotesbyggande och testning. Du kommer också att lära dig grunderna i statistik.
• Installera den nödvändiga Python-miljön och andra verktyg och bibliotek.
  Förstå de grundläggande begreppen i Pythonprogrammering, t.ex. datatyper, tupler, listor, dicts, grundläggande operatörer och funktioner.
• Utföra högkvalitativa matematiska beräkningar med hjälp av NumPy-paketet och dess omfattande bibliotek med matematiska funktioner.
• Utföra vetenskaplig och teknisk aritmetik med hjälp av SciPy-paketet och dess underpaket som Integrate, Optimize, Statistics, IO och Weave.
• Analys och hantering av data med hjälp av datastrukturer och verktyg från Pandas-paketet.
• Skaffa erfarenhet av Machine Learning med hjälp av paketet Scikit-Learn.
• Få en djupgående förståelse för övervakad inlärning och modeller för oövervakad inlärning, t.ex. linjär regression, logistisk regression, klusterbildning, dimensionalitetsreducering, K-NN och pipeline.
• Använd Scikit-Learn-paketet för behandling av naturliga språk.
• Använd Pythons matplotlib-bibliotek för datavisualisering.
• Extrahera användbara data från webbplatser genom att utföra webbskrapning med hjälp av Python.
• Integrera Python med Hadoop, Spark och MapReduce.

Kursplan

• Lektion 01: Data Science - översikt
• Lektion 02: Dataanalys - översikt
• Lektion 03: Statistisk analys och tillämpningar inom verksamheten
• Lektion 04: Uppsättning av Python-miljön och dess väsen
• Lektion 05: Matematisk beräkning med Python (NumPy)
• Lektion 06: Vetenskaplig beräkning med Python (Scipy)
• Lektion 07: Datamanipulering med Pandas
• Lektion 08: Machine learning med Scikit-Learn
• Lektion 09: Behandling av naturliga språk med Scikit-Learn
• Lektion 10: Datavisualisering i Python med matplotlib. Den här lektionen lär dig att visualisera data i Python med matplotlib och plotta dem.
• Lektion 11: Webscrapping med BeautifulSoup
• Lektion 12: Integrering av Python med Hadoop MapReduce och Spark.

Kurs 3: Machine Learning

AVC:s kurs i maskininlärning gör dig till expert på maskininlärning, en form av artificiell intelligens som automatiserar dataanalys för att göra det möjligt för datorer att lära sig och anpassa sig genom erfarenhet för att utföra specifika uppgifter utan uttrycklig programmering. Du kommer att behärska Machine Learning begrepp och tekniker, inklusive övervakad och oövervakad inlärning, matematik och heuristik, och praktisk modellering för att utveckla algoritmer och förbereda dig för din roll med avancerade kunskaper om Machine Learning.

Viktiga utbildningsmål

• Behärska begreppen övervakad och oövervakad inlärning,
  rekommendationsmotor och modellering av tidsserier
• Praktisk behärskning av principer, algoritmer och tillämpningar av Machine Learning genom ett praktiskt tillvägagångssätt som innefattar arbete med fyra stora end-to-end-projekt och mer än 25 praktiska övningar.
• Fördjupade kunskaper om statistiska och heuristiska aspekter av Machine Learning.
• Implementera modeller som stödvektormaskiner, kärn-SVM, naive Bayes, klassificering av beslutsträd, klassificering av slumpmässiga skogar, logistisk regression, K-means-klustring med mera i Python.
• Validering av modeller för maskininlärning och avkodning av olika noggrannhetsmått. Förbättra de slutliga modellerna med hjälp av en annan uppsättning optimeringsalgoritmer, inklusive Boosting- och Bagging-tekniker.
• Förstå de teoretiska begreppen och hur de hänger samman med de praktiska aspekterna av Machine Learning.

Kursplan

• Lektion 01: Introduktion till artificiell intelligens och maskininlärning (Machine Learning)
• Lektion 02: Databehandling och manipulation av data
• Lektion 03: Övervakad inlärning
• Lektion 04: Utveckling av funktioner
• Lektion 05: Övervakad inlärning - klassificering
• Lektion 06: Oövervakad inlärning
• Lektion 07: Modellering av tidsserier
• Lektion 08: Inlärning av ensembler
• Lektion 09: Rekommendationssystem
• Lektion 10: Ordbehandling

Kurs 4: Tableau

Den här Tableau-kursen hjälper dig att förstå hur du bygger visualiseringar, organiserar data och utformar diagram och dashboards för att fatta mer meningsfulla affärsbeslut. Du kommer att introduceras till begreppen för datavisualisering, olika kombinationsdiagram och berättelser, arbete med filter, parametrar och uppsättningar samt byggande av interaktiva instrumentpaneler.

Viktiga utbildningsmål

• Bli expert på visualiseringstekniker som värmekarta, trädplan, vattenfall och Pareto.
• Förstå metadata och dess användning.
• Arbeta med filter, parametrar och uppsättningar.
• Särskilda fälttyper och Tableau-genererade fält samt skapande och användning av parametrar.
• Lär dig hur du bygger diagram, interaktiva instrumentpaneler och story interfaces och hur du delar ditt arbete.
• Behärska begreppen datamixning, skapande av dataextrakt och
  organisera och formatera data.
• Behärska aritmetiska, logiska, tabell- och LOD-beräkningar.

Kursplan

• Lektion 01: Komma igång med Tableau
• Lektion 02: Kärnan i Tableau i ämnen
• Lektion 03: Skapa diagram i Tableau
• Lektion 04: Arbeta med metadata
• Lektion 05: Filter i Tableau
• Lektion 06: Tillämpa analyser på arbetsbladet
• Lektion 07: Dashboard i Tableau
• Lektion 08: Ändring av dataanslutningar
• Lektion 09: Introduktion till detaljnivå i Tableau (LODS)

Kurs 5 - Data Science avslutande examensuppgift

Den här avslutande examensuppgiften i Data Science ger dig chansen att tillämpa de färdigheter du har lärt dig under programmet. Genom särskilda mentorsessioner lär du dig hur du löser ett verkligt, industriellt Data Science-problem, från databehandling och modellering till rapportering av dina affärsresultat och insikter.

Projektet är det sista steget i utbildningen och hjälper dig att visa upp din expertis för dina (framtida) arbetsgivare.

Viktiga utbildningsmål

Den här online-kursen tar dig genom datavetenskapens beslutscykel, inklusive databehandling, uppbyggnad av en modell och visning av resultat. Projektets milstolpar är följande:

• Databehandling - I det här steget tillämpar du olika databehandlingstekniker för att göra rådata meningsfulla.
• Modellbygge - Du använder tekniker som regression och beslutsträd för att bygga modeller för Machine Learning som möjliggör exakta och intelligenta förutsägelser. Du kan använda Python och R för att bygga din modell. Du följer hela modellbyggnadsövningen från uppdelning av data till testning och träning och validering av data med hjälp av k-fold korsvalideringsprocessen.
• Finjustering av modellen - Du kommer att tillämpa olika tekniker för att förbättra modellens noggrannhet och välja den mästarmodell som ger den bästa noggrannheten.
• Dashboarding och visning av resultat - Som ett sista steg exporterar du dina resultat till en dashboard med meningsfulla insikter med hjälp av Tableau.

Tillvalskurser - Bonusmaterial

Extra kurs: SQL-utbildning

Den här kursen ger dig den information du behöver för att börja arbeta med SQL-databaser och använda dem i dina program. Du lär dig begreppen grundläggande SQL-statements, villkorliga statements, kommandon, joins, subqueries och olika funktioner för att hantera din SQL-databas för skalbar tillväxt.

Viktiga utbildningsmål

• Förståelse för databaser och relationer
• Användning av vanliga frågeverktyg och arbete med SQL-kommandon.
• Förstå transaktioner, skapa tabeller och vyer.
• Förstå och utföra lagrade procedurer.

Kursplan

• Lektion 1: Grundläggande SQL-uttryck
• Lektion 2: Återställning och säkerhetskopiering
• Lektion 3: Val av uppgifter: Filtrering
• Lektion 4: Urvalskommandon: Ordning
• Lektion 5: Alias
• Lektion 6: Kommandon för sammanslagning
• Lektion 7: Kommandon för gruppering
• Lektion 8: Villkorliga statements
• Lektion 9: Sammanfogningar
• Lektion 10: Underfrågor
• Lektion 11: Vyer och index
• Lektion 12: Strängfunktioner
• Lektion 13: Matematiska funktioner
• Lektion 14: Funktioner för datum och tid
• Lektion 15: Mönstermatchning (sträng)
• Lektion 16: Funktioner för kontroll av användaråtkomst

Extra kurs: Data Science med R

Nästa steg för att bli data scientist är att lära sig R - den mest efterfrågade tekniken med öppen källkod. R är ett kraftfullt språk för Data Science och analys, med en brant inlärningskurva och en mycket livlig gemenskap. Det är därför det snabbt håller på att bli den teknik som föredras av organisationer som vill utnyttja analytikens kraft för att uppnå konkurrensfördelar.

Viktiga utbildningsmål

• Få en grundläggande förståelse för affärsanalytik R, installera R studio och arbetsutrymme och lära dig om de olika R-paketen.
• Behärska R-programmering och förstå hur olika implementeras i R.
• Få en djup förståelse för den datastruktur som används i R och lära sig att importera/exportera data i R.
• Definiera, förstå och använda olika funktioner och DPYR-funktioner.
• Förstå och använda olika grafer i R för visualisering av data.
• Förvärva grundläggande kunskaper om olika statistiska begrepp.
• Förstå och använda hypotesprövning för att vägleda affärsbeslut.
• Förstå och använda linjära och icke-linjära regressionsmodeller.
  Klassificeringstekniker för dataanalys.
• Lära sig och använda olika associationsregler och Apriori-algoritmen.
• Lära sig och använda klustermetoder, inklusive K-means, DBSCAN och hierarkisk klustring.

Kursplan

• Lektion 01: Introduktion till företagsanalys
• Lektion 02: Introduktion till R-programmering
• Lektion 03: Datastrukturer
• Lektion 04: Visualisering av data
• Lektion 05: Statistik för datavetenskap I
• Lektion 06: Statistik för datavetenskap II
• Lektion 07: Regressionsanalys
• Lektion 08: Klassificering
• Lektion 09: Klusterbildning
• Lektion 10: Association

Extra kurs: Deep Learning med Keras och TensorFlow

Denna kurs i Deep Learning med TensorFlow från IBM förfinar dina kunskaper om Machine Learning och gör dig till en expert på Deep Learning med TensorFlow. Bemästra begreppen för Deep Learning och TensorFlow för att bygga artificiella neurala nätverk och förflytta dig över lager av dataabstraktion. Den här kursen lär dig att frigöra kraften i data och förbereder dig för nya horisonter inom AIDeep Learning with TensorFlow and Keras Den här kursen tar dig från maskininlärning till nästa nivå och ger dig en gedigen förståelse för deep learning med hjälp av TensorFlow och Keras. Bemästra begreppen för djupinlärning för att bygga artificiella neurala nätverk och förflytta dig över lager av dataabstraktion. Den här kursen kommer att lära dig hur du kan frigöra kraften i data och förbereda dig för nya horisonter inom Artificial Intelligence.

Viktiga utbildningsmål

• Förstå deep learning med hjälp av neurala nätverk
• Få en god förståelse för Tensorflow och Keras.
• Förstå konvolutionella neurala nätverk (CNN) och deras tillämpningar.
• Bekanta sig med återkommande neurala nätverk (RNNs) och autoenkoder.
• Optimera prestandan hos ditt neurala nätverk med hjälp av L2-regularisering och drop-out-skikt.
• Skapa autoencodermodeller för att upptäcka avvikelser

Kursplan

• Lektion 1: Introduktion till AI och Deep Learning
• Lektion 2: Artificiellt neuralt nätverk
• Lektion 3: Djupa neurala nätverk och verktyg
• Lektion 4: Djupa neurala nät - optimering, inställning och tolkningsmöjligheter.
• Lektion 5: Convolutional neural net (CNN)
• Lektion 6: Återkommande neurala nät
• Lektion 7: Autoenkoder

Extra kurs: Masterclass inom näringslivet - Datavetenskap

Delta i denna interaktiva masterclass online för att få en inblick i utvecklingen inom datavetenskap och AI-tekniker.

Projekt

Att bygga en användarbaserad rekommendationsmodell för Amazon

Datamängden innehåller filmrecensioner från Amazon-kunder. Utför en dataanalys av filmrecensioner från Amazon-kunder och bygg en rekommendationsalgoritm för Machine Learning som ger betyg för varje användare. Tema: E-handel

Klagomål från Comcast Telecom kunder

Comcast är ett amerikanskt globalt telekommunikationsföretag. Företaget har en fruktansvärd kundservice. De fortsätter att misslyckas trots upprepade löften om förbättringar. Använd den befintliga databasen över kundklagomål som ett förråd för att förbättra kundnöjdheten. Tema: Telekommunikation

Mercedes-Benz grönare tillverkning

Minska den tid som en Mercedes-Benz tillbringar i testbänken. Arbeta med ett dataset som representerar olika permutationer av funktionerna i en Mercedes-Benz bil för att förutsäga den tid som behövs för att klara testet. Optimala algoritmer kommer att bidra till snabbare testning, vilket leder till lägre koldioxidutsläpp utan att Mercedes-Benz påverkas. Tema: Bilindustrin.

Analys av detaljhandeln med Walmart

En av de ledande detaljhandelsföretagen i USA, Walmart, vill göra exakta prognoser för försäljning och efterfrågan. Företaget står inför en utmaning på grund av oförutsedd efterfrågan och har ibland brist på lager. Man upptäcker att en algoritm för Machine Learning är orsaken till problemet. Bygg en ideal ML-algoritm som exakt förutspår efterfrågan och med faktorer som ekonomiska förhållanden som KPI, arbetslöshetsindex osv. Tema: Detaljhandel

Fallstudie om filmlinser

Gör en analys med hjälp av tekniken för explorativ dataanalys. Du måste hitta egenskaper som påverkar betygsättningen av en viss film och bygga en modell för att förutsäga betygsättningen av filmer. Tema: Underhållning

Analyser av kundtjänstförfrågningar

Utför dataanalyser av samtal till New York City 311 serviceförfrågningar. Du kommer att fokusera på tekniker för datahantering för att förstå datamönster och även skapa visualiseringar för att kategorisera och prioritera klagomålstyper, t.ex. ekonomiska förhållanden inklusive KPI, arbetslöshetsindex osv. Tema: Kundtjänst

Jämförande studie av länder

Skapa en instrumentpanel för att göra en jämförande studie av olika parametrar i olika länder med hjälp av försäkringsdata och indikatordata. Tema: Geopolitik

Analys av försäljningsresultat

Skapa en instrumentpanel som visar månatliga försäljningsresultat per produktsegment och produktkategori för att hjälpa kunderna att identifiera de segment och kategorier som uppnått eller överträffat sina försäljningsmål, samt de som inte uppnått sina försäljningsmål. Tema: Detaljhandel

Förutsäga efterfrågan på lån baserat på region

Det här projektet ger praktikanterna en inblick i banksektorn. Praktikanterna måste bygga en statistisk modell för att förutsäga efterfrågan på lån i en viss region. För att visa resultaten måste praktikanterna skapa en instrumentpanel online som visar planen och dess framsteg för alla intressenter. Tema: Bankverksamhet

Att bygga en modell för att förutsäga diabetespatienter

Projektet är anpassat till NIDDK:s (National Institute of Diabetes and Digestive and Kidney Diseases) dataset, som är en av de mest kroniska och följdsamma sjukdomarna. Syftet med detta projekt är att bygga en modell för att förutsäga patienter med diabetes med hjälp av det givna datasetet. Tema: Hälsovård

Kundsegmentering av detaljhandelskonsumenter

Utföra kundsegmentering med hjälp av RFM-analys. De resulterande segmenten kan rangordnas från mest värdefulla (högsta frekvens, frekvens och värde) till minst värdefulla (lägsta frekvens, frekvens och värde). Tema: Detaljhandel

Certifikat

När du har slutfört det här masterprogrammet får du certifikat från IBM och AVC & Simplilearn i datavetenskapskurserna i utbildningen. Dessa certifikat intygar dina färdigheter som expert inom datavetenskap. När du har slutfört programmet får du också ett erkänt Master-certifikat.

Vem bör delta i det här programmet?

Data Science-rollen kräver ett samspel mellan erfarenhet, Data Science-kunskap och användning av rätt verktyg och teknik. Det är ett gediget karriärval för både nya och erfarna proffs. Ambitiösa personer från vilken utbildningsbakgrund som helst med en analytisk inriktning lämpar sig bäst för Data Scientist Master's Programme, bland annat:

• IT-proffs
• Chefer inom Analytics
• Affärsanalytiker
• Bank- och finanspersonal
• Marknadsföringschefer
• Chefer för Supply Chain Network
• Nybörjare eller nyutexaminerade kandidater på kandidat- eller magisternivå