Ciencia de datos en la vida real - Curso Virtual - Coursera Verified listing

¿Alguna vez ha tenido la experiencia perfecta en ciencia de datos? La extracción de datos fue perfecta.

No hubo errores de fusión ni datos faltantes.

Las hipótesis se definieron claramente antes de los análisis.

La aleatorización se realizó para el tratamiento de interés.

El plan analítico se delineó antes del análisis y se siguió exactamente.

Las conclusiones fueron claras y las decisiones procesables fueron obvias.

¿Te ha pasado todo eso? Por supuesto que no.

El análisis de datos en la vida real es complicado.

¿Cómo se gestiona un equipo que se enfrenta a análisis de datos reales? En este curso de una semana, contrastamos lo ideal con lo que sucede en la vida real.

Al contrastar el ideal, aprenderá conceptos clave que lo ayudarán a manejar análisis de la vida real.

Este es un curso enfocado diseñado para ponerlo rápidamente al día en la ciencia de datos en la vida real.

Nuestro objetivo era hacer esto lo más conveniente posible para usted sin sacrificar ningún contenido esencial.

Hemos dejado de lado la información técnica para que pueda concentrarse en administrar su equipo y hacerlo avanzar.

Después de completar este curso, sabrá cómo: 1.

Describir la experiencia de ciencia de datos "perfecta" 2.

Identificar fortalezas y debilidades en diseños experimentales 3.

Describir posibles dificultades al extraer/ensamblar datos y aprender soluciones para administrar extracciones de datos.

4.

Cuestionar las suposiciones de modelos estadísticos y enviar comentarios a los analistas de datos.

5.

Describir las trampas comunes en la comunicación de los análisis de datos.

6.

Echar un vistazo a un día en la vida de un gerente de análisis de datos.

El curso se impartirá a nivel conceptual para gestores activos de científicos de datos y estadísticos.

Algunos conceptos clave que se discuten incluyen: 1.

Diseño experimental, aleatorización, pruebas A/B 2.

Inferencia causal, contrafactuales, 3.

Estrategias para gestionar la calidad de los datos.

4.

Sesgo y confusión 5.

Comparación del aprendizaje automático con la inferencia estadística clásica Promoción del curso: https://www.

youtube.

com/watch?v=9BIYmw5wnBI Imagen de portada del curso por Jonathan Gross.

Creative Commons POR-ND https://flic.

kr/p/q1vudb