Kurser i Data Science
Data Science är området som omvandlar rådata till meningsfulla insikter och intelligenta beslut. Inom denna kategori lär du dig att samla in, bearbeta, analysera, visualisera och modellera data med verktyg som Python, SQL, maskininlärning och BI-plattformar — vilket förbereder dig för verkliga utmaningar baserade på data.
4.7
Betygsatt efter 7 recensioner.
73 LärandeRedan inskriven
Förvärvade färdigheter:
A/B Test DesignAI Transparency AwarenessARIMA ModelingActivation Function AnalysisActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAlgorithm Evaluation and ComparisonAlgoritmer för multiarmade banditerAlignment and Generalization RisksAnalys av rättvisa och partiskhetAnalyzing GAN Training ChallengesAnomaly detection evaluation Ansvar inom AIAnvändning av PyArrow APIApplied Calibration WorkflowsApproximate InferenceApproximate ReasoningApproximation TheoryArrow-datamodellArtificiella immunsystemAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationBackward Difference CodingBagging and Random ForestsBayes satsBayesian NetworksBayesian OptimizationBearbetning av tidsserier och sekventiell dataBegrepp om datasekretessBegrepp om multi-head attentionBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBildbehandling med OpenCVBoosting AlgorithmsByggande av pipelinesCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCatastrophic Forgetting AnalysisCategorical Feature HandlingChain-of-thought promptingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Cloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Coefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceCompression Trade-off ReasoningConcentration of MeasureConditional IndependenceConjugate PriorsContinual Learning TheoryContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCritical Analysis of NTK LimitationsCross-validation techniquesCurse of DimensionalityDBSCAN: hantering av brus och oregelbundna formerData Access PatternsData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDatainteroperabilitetDatannormalisering och avståndsmåttDatapreprocesseringDatastädningDatatransformationDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescriptive StatisticsDetektion av avvikande värdenDeterminants and matrix rank Diffusion Model TheoryDiffusionsmodellerDimensionality reduction evaluation DimensionsreduktionDirectional derivatives Distance CollapseDistributional Analysis of Neural NetworksDocument Chunking and IndexingDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEigenvalues and eigenvectors Empirical Risk MinimizationEncoding Leakage PreventionEnsemble Learning FundamentalsEntropy and CompressionEntropy and Rate–Distortion AnalysisEstimator IntrospectionEthical AI PrinciplesEtiskt beslutsfattandeEvaluation Under Distribution ShiftEvolutionär optimeringExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeature engineeringFeature selectionFew-shot promptingFine-tuning Pre-trained ModelsForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingFunctional Analysis FoundationsFunctional Analysis in MLFunktioner & mängderFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsFörfining av promptsFörståelse för RNN, LSTM och GRUFörståelse för transformerarkitekturGANGAN FundamentalsGaussian DistributionGaussian Mixture Models: probabilistisk klustringGaussian Process CorrespondenceGeneralization BoundsGeneralization in Learning TheoryGenerativ AIGenerative Model ConnectionsGenetiska algoritmerGeometric Implications for ML AlgorithmsGeometric InterpretabilityGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGradientnedstigningGrafrepresentation i PythonGrafteori för MLGraph LaplaciansGraph Representation in PythonGraphSAGE-konceptGrunder i Reinforcement LearningGrunder och algoritmer för klustringGrundläggande AI-etikGrundläggande prompt engineeringGränsvärden & derivatorGymnasium-grunderHantering av null-värden i ArrowHantering av saknade och kategoriska dataHelhetsutveckling och utvärdering av modellerHelmert CodingHierarkisk klustring och dendrogramHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHyperparametertuningHypothesis TestingIdentity and Access ManagementImplementering av rekurrenta nätverk i PyTorchImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputering av saknade värdenIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesIntegralerInterpreting Generalization BoundsIntuition för grafinbäddningIntuition för self-attentionIsolation Forest ImplementationIsotonic RegressionJacobian matrices Jupyter Notebook ProficiencyJustering av hyperparametrarK-Means: principer och klusteroptimeringKernel MethodsKernel Regression DynamicsKernel-based RegularizationKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKodning av variablerKolmogorov–Smirnov TestKolumnorienterad datarepresentationKonvolutionella neurala nätverkKovarians och egendecompositionL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLikelihood vs ProbabilityLikhetspoäng för graferLimits of LLM GeneralizationLinear Algebra FoundationsLinear Algebra for Deep LearningLinjär regression med PythonLinjär transformationLink PredictionLocal Outlier Factor AnalysisLogistisk regressionLoss Function Selection and ComparisonLow-Rank Matrix IntuitionLänkpredictieringMLOps FundamentalsManifold IntuitionManual Search MethodsMarkov Chain Monte CarloMarkov Chains in Generative ModelingMarkov Random FieldsMaskininlärning med scikit-learnMatematisk grund för uppmärksamhetMathematical Formulation of GANsMathematical Foundations of Loss FunctionsMathematical OptimizationMatrisuppdelningMatrix multiplication and transposition Maximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMembership FunctionsMetoder för dynamisk programmeringMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Scaling ConceptsModel Selection UtilitiesModel-Based Drift DetectionModelltolkningModellträning och utvärderingMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMonte Carlo-teknikerMulti-Head AttentionMultinomial DistributionMultiple integralsMultivariate AnalysisMultivariate chain rule NLP med TransformersNatural Language HandlingNatural Language ProcessingNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeurala nätverkNeuroevolutionNodklassificeringNormalization (L1, L2, Max)Normed and Banach SpacesODE Formulations in Generative ModelsObjektdetekteringsmetoderOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimization Constraints in Fine-TuningOptimization Dynamics in RLHFOptimization in Neural NetworksOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPEFT Deployment ReasoningPEFT TheoryPGM Inference and LearningParameter Space GeometryPartial derivatives and gradients PartikelsvärmsoptimeringPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPlatt ScalingPolynomial CodingPopulation Stability IndexPositional Encoding ConceptsPositionell kodningPositive Definite KernelsPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipal component analysis (PCA)Principer för transparensProbabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsPrompt-Based GeneralizationPyTorch-grunderPython-datastrukturerPython-implementering av TransformersPython-klassificeringsmodellerPython-programmeringQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRKHS FoundationsRademacher ComplexityRamar för ansvarsfull AIReasoning over Knowledge GraphsRecord Linkage TechniquesRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasRegulatorisk medvetenhetReliability DiagramsRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyRetrieval-Augmented Generation FundamentalsReward Model TheoryRisk Minimization TheoryRobust Model AssessmentRoll- och kontextbaserad promptingRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling StrategiesSampling Strategies in MLSannolikhetsfördelningarSannolikhetsreglerScore MatchingSelf-Attention MechanismSelf-Attention-mekanismSemantic Directions in LLMsSemantic Retrieval ConceptsSerieanalysServerless and Event-Driven DesignSkalning av variablerSlumpvandringar på graferSolving linear systems Sparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStability–Plasticity Trade-OffsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStatistiska måttStochastic Differential Equations (SDEs)Stochastic OptimizationStress Testing ML ModelsStrukturerad utformning av utdataSubword Tokenization AlgorithmsSvärmintelligensTF-IDF WeightingTaylor expansions Temporal ValidationTemporär differensinlärningTensorFlow-grunderTeori om uppmärksamhetsmekanismerTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTheoretical OverfittingTillämpning av RNN på NLP-uppgifter (sentimentanalys)Time Series AnalysisTime Series WindowingTokenization TheoryTrade-off Analysis in Model DesignTraining Dynamics in Mean Field RegimesTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformer Architecture TheoryTransformer-arkitekturTransformersTree-Based ForecastingTriple Scoring FunctionsUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseUniform ConvergenceUtvärdering av promptsUtvärderingsmetoder för Generativ AIVAEVC DimensionVariational Inference & ELBOVector Search TheoryVector Space ModelingVector and Raster Data HandlingVector operations and norms Vektorer & matriserVocabulary OptimizationWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Visa merTa ett kort quiz och kom närmare dina mål!
80,000
Studenterna har redan framgångsrikt genomfört kurserna och använder sina färdigheter på jobbet
92%
Användare finner våra kurser användbara
Kurser
Kurser
Utforska Data Science kurser och projekt
2 timmar
9 kapitel
2 timmar 12 kapitel
1 timme 10 kapitel
3 timmar 15 kapitel
2 timmar 12 kapitel
1 timme 9 kapitel
1 timme 9 kapitel
2 timmar 9 kapitel
2 timmar 9 kapitel
1 timme 16 kapitel
2 timmar 9 kapitel
2 timmar 9 kapitel
Nivå
Lektionstyp
Teknologier
kurs
Parameter-Efficient Fine-Tuning
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: PEFT Theory, Low-Rank Matrix Intuition, Trade-off Analysis in Model Design, Optimization Constraints in Fine-Tuning, PEFT Deployment Reasoning
kurs
Dimensionsreduktion med PCA
2 timmar 12 kapitelMedelnivå
Förvärvade kunskaper: Dimensionsreduktion, Principal component analysis (PCA), Kovarians och egendecomposition
kurs
Probabilistic Graphical Models Essentials
1 timme 10 kapitelMedelnivå
Förvärvade kunskaper: Probabilistic Graphical Models, Bayesian Networks, Markov Random Fields, Conditional Independence, PGM Inference and Learning
kurs
Probability Distributions for Machine Learning
3 timmar 15 kapitelAvancerad
Förvärvade kunskaper: Probability Distributions Intuition, Exponential Family Understanding, Gaussian Distribution, Bernoulli Distribution, Multinomial Distribution, Likelihood vs Probability, Conjugate Priors, Probability in Loss Functions
kurs
Productivity Tools for Data Scientists
2 timmar 12 kapitelMedelnivå
Förvärvade kunskaper: Jupyter Notebook Proficiency, Workflow Automation, Effective Documentation, Reproducible Analysis Habits
kurs
Grunder i Prompt Engineering
1 timme 9 kapitelNybörjare
Förvärvade kunskaper: Grundläggande prompt engineering, Roll- och kontextbaserad prompting, Few-shot prompting, Chain-of-thought prompting, Strukturerad utformning av utdata, Förfining av prompts, Utvärdering av prompts
kurs
RAG Theory Essentials
1 timme 9 kapitelMedelnivå
Förvärvade kunskaper: Retrieval-Augmented Generation Fundamentals, Semantic Retrieval Concepts, Document Chunking and Indexing, Vector Search Theory, RAG Pipeline Architecture, Knowledge Integration in LLMs, RAG Evaluation Metrics, Failure Analysis in RAG, RAG System Design Patterns
kurs
Reinforcement Learning from Human Feedback Theory
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Formal Preference Modeling, Reward Model Theory, Optimization Dynamics in RLHF, Alignment and Generalization Risks
kurs
Reproducing Kernel Hilbert Spaces Theory
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: RKHS Foundations, Positive Definite Kernels, Functional Analysis in ML, Reproducing Property, Representer Theorem, Kernel-based Regularization
kurs
Rule-Based Machine Learning Systems
1 timme 16 kapitelNybörjare
Förvärvade kunskaper: Rule-Based Modeling, Rule Quality Metrics, Rule Pruning, RuleFit Algorithm, RIPPER Algorithm, Pattern Mining, Model Interpretability, Hybrid Rule-Based Systems, Fairness in ML
kurs
Sampling Methods for Machine Learning
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Monte Carlo Intuition, Markov Chain Monte Carlo, Importance Sampling, Approximate Inference, Generative Model Connections
kurs
Spectral Methods in Machine Learning
2 timmar 9 kapitelAvancerad
Förvärvade kunskaper: Spectral Theory, Linear Algebra Foundations, Graph Laplacians, Principal Component Analysis Theory, Kernel Methods, Spectral Graph Theory
Fördelar med Codefinity
AI-assisterat lärande
Omfamna fascinationen för tekniska färdigheter! Vår AI-assistent ger feedback i realtid, personliga tips och felanalyser, vilket gör att du kan lära dig med självförtroende.
Arbetsytor
Med Arbetsytor kan du skapa och dela projekt direkt på vår plattform. Vi har förberett mallar för din bekvämlighet
Lärvägar
Ta kontroll över din karriärutveckling och inled din resa mot att bemästra de senaste teknologierna
Verkliga projekt
Verkliga projekt lyfter din portfölj och visar praktiska färdigheter för att imponera på potentiella arbetsgivare
Varför Codefinity sticker ut
Videoinnehåll
Nedladdningsbart material
Respekterade certifikat
Interaktivt inlärningsmiljö
Felkorrigering
AI-assistent
Tillgång till allt innehåll med ett abonnemang
Codefinity
Videobaserade inlärningsplattformar
Codefinity
Videobaserade inlärningsplattformar
Videoinnehåll
Nedladdningsbart material
Respekterade certifikat
Interaktivt inlärningsmiljö
Felkorrigering
AI-assistent
Tillgång till allt innehåll med ett abonnemang
KarriärmöjligheterLär dig om de mest populära yrkena, genomsnittliga löner och företag som aktivt söker specialister inom detta område.
Data Scientist
Big Data-Analytiker
NLP-Ingenjör
Djupinlärningsingenjör
AI-Forskare
$149k
$197k
$246k
Min
Average
Max
Årlig lön
(Genomsnitt i USA)
Anställande företag
*Källa: Glassdoor
Valt av studenter från de allra bästa skolorna
Inkluderar 30 av de 30 absolut bästa högskolorna i USA
Kurser i Data Science: Nyckelinformation och frågor
Introduktion till datavetenskapskurser
Vi erbjuder ett brett utbud av kurser inom alla aspekter av datavetenskap, inklusive datavisualisering (till exempel "Ultimate visualization with Python"), datamanipulering med Python (såsom "Ultimate NumPy" eller "Advanced Techniques in pandas"), SQL (som "Introduction to SQL") och maskininlärning (som "ML Introduction with scikit-learn" eller "Introduction to Neural Networks").
Fördelar med våra datavetenskapskurser
Vi tillhandahåller våra kunder en omfattande läroplan, praktisk erfarenhet och experthandledare.
Karriärmöjligheter efter avslutad datavetenskapskurs
Efter att ha slutfört en kurs i datavetenskap kan du potentiellt påbörja en karriär inom olika datadrivna roller, såsom data scientist, dataanalytiker, maskininlärningsanalytiker, business intelligence-analytiker, dataingenjör med flera.
Alternativ inom datavetenskap
Vi erbjuder ett brett utbud av kurser inom alla aspekter av datavetenskap, inklusive datavisualisering (såsom "Ultimate visualization with Python"), datamanipulering med Python (såsom "Ultimate NumPy" eller "Advanced Techniques in pandas"), SQL (såsom "Introduction to SQL") och maskininlärning (såsom "ML Introduction with scikit-learn" eller "Introduction to Neural Networks").
Information om certifikat
Efter att du har slutfört någon av våra datavetenskapsrelaterade kurser får du ett certifikat som validerar dina kunskaper och färdigheter inom datavetenskap.
Hur väljer man rätt datavetenskapskurs?
Du bör utvärdera dina mål, kontrollera förkunskapskrav och granska kursplanen.
Vilken kurs är bäst inom kategorin datavetenskapskurser?
Vi har flera utmärkta kurser inom datavetenskap, där vi särskilt kan lyfta fram "Advanced Techniques in pandas", "Ultimate Visualization with Python" och "ML Introduction with scikit-learn".
Varför bör jag överväga att gå en onlinekurs i datavetenskap hos ert företag?
Vi tillhandahåller våra kunder en omfattande läroplan, praktisk erfarenhet och experthandledare.
Tips för att lyckas med en datavetenskapskurs
Det är viktigt att vara organiserad, lära sig aktivt och öva regelbundet.
Vad kostar utbildning inom datavetenskap?
Vi erbjuder flexibla prisalternativ. Vårt Pro-abonnemang börjar på 49 USD per månad eller 99 USD för tre månader, med besparingar på vårt Pro-årsabonnemang för 144 USD. Vårt Ultimate-abonnemang kostar 59 USD per månad, 147 USD för tre månader eller 299 USD per år. Varje abonnemang inkluderar tillgång till expertutformat innehåll, interaktiva utmaningar och certifiering.
Vilken datavetenskapskurs passar bäst för nybörjare?
För nybörjare är bra alternativ "Introduction to SQL" och "Pandas First Steps".
Vilka är de viktigaste färdigheterna för att lyckas inom datavetenskap?
Du bör ha grundläggande programmeringskunskaper och grundläggande matematisk förståelse.
Hur jämförs datavetenskap med maskininlärning?
Datavetenskap omfattar hela processen att arbeta med data, medan maskininlärning är en delmängd av datavetenskap som specifikt handlar om att utveckla och tillämpa algoritmer som gör det möjligt för datorer att lära sig av och göra förutsägelser baserat på data.
Vilken påverkan har datavetenskap på industrin?
Datavetenskap driver innovation och effektivitet inom olika branscher genom att tillhandahålla handlingsbara insikter, förbättra beslutsfattande och optimera processer. Exempelvis hjälper det företag att förstå marknadstrender, kundbeteende och operativ effektivitet.
Är en kurs i datavetenskap svår?
Svårighetsgraden kan variera beroende på din bakgrund och kursens komplexitet. Kurser som erbjuder praktiska övningar och stöd kan göra inlärningsprocessen mer hanterbar. Grundläggande förståelse för statistik och programmering kan underlätta svårighetsgraden.
Vilken examen krävs för datavetenskap?
En specifik examen krävs inte alltid, men många data scientists har examen inom områden som datavetenskap, statistik, matematik eller teknik. Vissa tjänster kan kräva avancerade examina eller specialiserade certifieringar, men praktisk erfarenhet och färdigheter är också mycket värdefulla.
Vad våra användare säger
Gå med 1,5+ miljoner utvecklar AI- och datafärdigheter hos Codefinity
Redo att komma igång?
ProBästa introduktionserbjudande$12 /månadFaktureras årligen
250+ topprankade kurserAvslutningscertifikatAI-assistent i alla kurser
40+ hands-on Real-world projectsPersonliga studieplanerObegränsade arbetsytorUltimateAllt du behöver för att lyfta din karriär$25 /månadFaktureras årligen
250+ topprankade kurserAvslutningscertifikatAI-assistent i alla kurser40+ hands-on Real-world projectsPersonliga studieplanerObegränsade arbetsytorToppkurser i den Data Science kategori
1. | Introduktion till neurala nätverk med Python |  4 timmar |  25 kapitel |
2. | Introduktion till maskininlärning med Python | 4 timmar | 32 kapitel |
3. | Introduktion till NLP med Python | 5 timmar | 29 kapitel |
4. | Introduktion till Tensorflow | 2 timmar | 16 kapitel |
5. | Linjär Regression med Python | 2 timmar | 19 kapitel |
1. Introduktion till neurala nätverk med Python
Timmar
Kapitel2. Introduktion till maskininlärning med Python
TimmarKapitel3. Introduktion till NLP med Python
TimmarKapitel4. Introduktion till Tensorflow
TimmarKapitel5. Linjär Regression med Python
TimmarKapitelRelaterade ämnen på bloggen
Data Analytics
Data Science
by Kyryl SidakData Scientist, ML Engineer
Artificial Intelligence
Machine Learning
by Artem HrechkaData Scientist, Ml Engineer
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
