Data Science-kurser
Data Science er området, hvor rå data omdannes til meningsfulde indsigter og intelligente beslutninger. I denne kategori lærer du at indsamle, behandle, analysere, visualisere og modellere data ved hjælp af værktøjer som Python, SQL, maskinlæring og BI-platforme — hvilket forbereder dig på virkelige, datadrevne udfordringer.
4.7
Bedømt efter 7 anmeldelser.
62 LærendeAllerede tilmeldt
Opnåede færdigheder:
A/B Test DesignAI Transparency AwarenessAI etik grundprincipperARIMA ModelingActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAlgorithm Evaluation and ComparisonAlgoritmer for Multi-Armed BanditAnalyse af retfærdighed og biasAnalyzing GAN Training ChallengesAnomaly detection evaluation Ansvarlige AI-rammeværkAnsvarlighed i AIAnvendelse af RNN til NLP-opgaver (sentimentanalyse)Applied Calibration WorkflowsAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationBackward Difference CodingBagging and Random ForestsBayes' SætningBayesian OptimizationBehandling af tidsserier og sekventielle dataBilledbehandling med OpenCVBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCategorical Feature HandlingChain-of-thought promptingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Clustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Coefficient VisualizationCommittee-Based QueryingCompression Trade-off ReasoningConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCross-validation techniquesDBSCAN: håndtering af støj og uregelmæssige formerData Leakage PreventionData StorytellingData Visualization with matplotlib and seabornDatanormalisering og afstandsmålDataprivatlivskoncepterDatapræprocesseringDatatransformationDatavaskDeduplication AlgorithmsDensity-Weighted SamplingDeployment Best PracticesDescriptive StatisticsDiffusion Model TheoryDiffusionsmodellerDimensionality reduction evaluation DimensionsreduktionDocument Chunking and IndexingDrift Detection FundamentalsEncoding Leakage PreventionEnd-to-end modeludvikling og evalueringEnsemble Learning FundamentalsEntropy and Rate–Distortion AnalysisEthical AI PrinciplesEtisk beslutningstagningEvalueringsmetrikker for Generativ AIEvolutionær optimeringExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisFailure Analysis in RAGFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeature engineeringFeature-kodningFeature-selektionFeature-skaleringFew-shot promptingFine-tuning Pre-trained ModelsForecast Evaluation MetricsForecasting StrategiesForståelse af RNN, LSTM og GRUFunktioner & MængderFuzzy Matching in PythonGAN FundamentalsGAN'erGaussian Mixture Models: probabilistisk klyngeanalyseGenerativ AIGenetiske algoritmerGennemsigtighedsprincipperGeometric InterpretabilityGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGraph Embedding IntuitionGraph Representation in PythonGraph Theory for MLGraphSAGE ConceptsGrundlæggende GymnasiumGrundlæggende Reinforcement LearningGrundlæggende klyngeanalyse og algoritmerGrundlæggende prompt engineeringGrænser & DifferentiationHelmert CodingHierarkisk klyngedannelse og dendrogrammerHigh-Cardinality Feature EncodingHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHyperparametertuningHypothesis TestingHåndtering af manglende og kategoriske dataImplementering af rekurrente netværk i PyTorchImputation af manglende værdierIn-Context Learning TheoryInformation Bottleneck and MDLInformation Theory in NLPInformation-Theoretic LossesIntegralerIsolation Forest ImplementationIsotonic RegressionK-Means: principper og klyngeoptimeringKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKolmogorov–Smirnov TestKonvolutionelle neurale netværkKovarians og eigendecompositionKunstige immunsystemerL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLatent Space GeometryLatent Space ReasoningLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLimits of LLM GeneralizationLineær regression med PythonLineære TransformationerLink PredictionLocal Outlier Factor AnalysisLogistisk regressionLoss Function Selection and ComparisonLow-Rank Matrix IntuitionMLOps FundamentalsManifold IntuitionManual Search MethodsMarkov Chains in Generative ModelingMaskinlæring med scikit-learnMathematical Formulation of GANsMathematical Foundations of AttentionMathematical Foundations of Loss FunctionsMathematical OptimizationMatrixdekompositionMean-CenteringMetoder til Dynamisk ProgrammeringModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel-Based Drift DetectionModelleringstræning og evalueringModeltræning og evalueringMomentum MethodsMonitoring Model DegradationMonte Carlo-teknikkerMulti-Head Attention ConceptsMultivariate AnalysisNatural Language HandlingNatural Language ProcessingNeural Network Compression TheoryNeurale netværkNeuroevolutionNode ClassificationNormalization (L1, L2, Max)ODE Formulations in Generative ModelsObjektdetekteringsmetoderOne-Class SVM for Novelty DetectionOptimization Constraints in Fine-TuningOutlier Detection FundamentalsOverfitting and RegularizationPEFT Deployment ReasoningPEFT TheoryPartikelsværmsoptimeringPattern MiningPipeline Automation with AirflowPipeline ConstructionPipeline-opbygningPlatt ScalingPolynomial CodingPopulation Stability IndexPositional Encoding ConceptsPreprocessing PipelinesPrincipal component analysis (PCA)Probabilistic Model CalibrationPrompt-Based GeneralizationPromptevalueringPromptforfiningPyTorch-grundlæggendePython-datastrukturerPython-klassifikationsmodellerPython-programmeringQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRandom Walks on GraphsReasoning over Knowledge GraphsRecord Linkage TechniquesRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regulatorisk bevidsthedReliability DiagramsRetrieval-Augmented Generation FundamentalsRisk Minimization TheoryRolle- og kontekstpromptingRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling StrategiesSampling Strategies in MLSandsynlighedsfordelingerSandsynlighedsreglerScore MatchingSelf-Attention IntuitionSelf-Attention MechanismSemantic Directions in LLMsSemantic Retrieval ConceptsSerieanalyseSimilarity Scoring for GraphsSpatial Joins and OverlaysSpatial OperationsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStatistiske MålStochastic Differential Equations (SDEs)Stochastic OptimizationStruktureret outputdesignSværmintelligensTemporal ValidationTemporal-Difference LearningTensorFlow-grundlæggendeTheoretical Foundations of Zero-Shot GeneralizationTime Series AnalysisTime Series WindowingTrade-off Analysis in Model DesignTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformer Architecture TheoryTransformer Architecture UnderstandingTransformereTree-Based ForecastingTriple Scoring FunctionsTuning af hyperparametreUdregning af outliersUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseVAE'erVariational Inference & ELBOVector Search TheoryVector and Raster Data HandlingVektorer & MatricerWeight-of-Evidence EncodingWhitening and DecorrelationXAI Methods and ConceptsXGBoost Modelingscikit-learn Active Learning Implementationt-test and z-test Application
Vis mereTag en kort quiz og kom tættere på dine mål!
80,000
Eleverne har allerede gennemført kurserne med succes og anvender deres færdigheder på arbejdspladsen
92%
Brugere finder vores kurser nyttige
Kurser
Kurser
Udforsk Data Science kurser og projekter
4 timer
25 kapitler
4 timer 32 kapitler
5 timer 29 kapitler
2 timer 16 kapitler
2 timer 19 kapitler
3 timer 24 kapitler
4 timer 34 kapitler
3 timer 22 kapitler
4 timer 29 kapitler
4 timer 21 kapitler
6 timer 37 kapitler
3 timer 20 kapitler
Niveau
Lektionstype
Teknologier
kursus
Introduction to Neural Networks with Python
4 timer 25 kapitlerAvanceret
Opnåede færdigheder: Neural Networks, Model Training and Evaluation, Data Preprocessing, Hyperparameter Tuning, Machine Learning with scikit-learn
kursus
Introduction to Machine Learning with Python
4 timer 32 kapitlerMellemniveau
Opnåede færdigheder: Machine Learning with scikit-learn, Model Training and Evaluation, Hyperparameter Tuning
kursus
Introduction to NLP with Python
5 timer 29 kapitlerAvanceret
Opnåede færdigheder: Natural Language Processing, Natural Language Handling
kursus
Introduction to TensorFlow
2 timer 16 kapitlerMellemniveau
Opnåede færdigheder: TensorFlow Basics, Neural Networks, Python Data Structures, Data Preprocessing
kursus
Linear Regression with Python
2 timer 19 kapitlerMellemniveau
Opnåede færdigheder: Linear Regression with Python, Model Training and Evaluation
kursus
Classification with Python
3 timer 24 kapitlerMellemniveau
Opnåede færdigheder: Python Programming, Python Classification Models, Logistic Regression, Data Preprocessing, Model Training and Evaluation, Hyperparameter Tuning
kursus
Cluster Analysis with Python
4 timer 34 kapitlerMellemniveau
Opnåede færdigheder: Clustering fundamentals and algorithms , Handling missing and categorical data , Data normalization and distance metrics , K-Means: principles and cluster optimization , Hierarchical clustering and dendrograms , DBSCAN: noise handling and irregular shapes , Gaussian Mixture Models: probabilistic clustering
kursus
Recurrent Neural Networks with Python
3 timer 22 kapitlerMellemniveau
Opnåede færdigheder: Understanding RNNs, LSTMs, and GRUs, Implementing recurrent networks in PyTorch, Processing time series and sequential data, Applying RNNs to NLP tasks (sentiment analysis) , End-to-end model development and evaluation
kursus
Computer Vision Essentials with Python
4 timer 29 kapitlerMellemniveau
Opnåede færdigheder: Image Processing with OpenCV, Convolutional Neural Networks, Object Detection Approaches
kursus
Deep Generative Models with Python
4 timer 21 kapitlerAvanceret
Opnåede færdigheder: Generative AI , VAEs , GANs , Transformers , Diffusion Models , Evaluation Metrics for Generative AI
kursus
Introduction to Reinforcement Learning with Python
6 timer 37 kapitlerAvanceret
Opnåede færdigheder: Reinforcement Learning Foundations, Multi-Armed Bandit Algorithms, Dynamic Programming Methods, Monte Carlo Techniques, Temporal-Difference Learning, Gymnasium Basics
kursus
PyTorch Essentials
3 timer 20 kapitlerAvanceret
Opnåede færdigheder: PyTorch Basics, Neural Networks, Model Training and Evaluation
Vælg en karrierevejOmfattende programmer for at mestre en karrierevej
Kun for Ultimate
7 Kurser
182 Opgaver
Codefinity fordele
KI-assisteret læring
Omfavn fascinationen for teknologiske færdigheder! Vores KI-assistent giver feedback i realtid, personlige hints og fejlforklaringer, så du trygt kan lære.
Arbejdsområder
Med arbejdsområder kan du oprette og dele projekter direkte på vores platform. Vi har forberedt skabeloner til din bekvemmelighed
Læringsstier
Tag kontrol over din karriereudvikling og start din rejse mod at mestre den nyeste teknologi
Virkelige projekter
Virkelige projekter løfter din portefølje og viser praktiske færdigheder, der imponerer potentielle arbejdsgivere
Hvorfor Codefinity skiller sig ud
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
Codefinity
Videobaserede læringsplatforme
Codefinity
Videobaserede læringsplatforme
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
KarrieremulighederLær om de mest populære erhverv, gennemsnitslønninger og virksomheder, der aktivt søger specialister inden for dette felt.
Dataforsker
Big Data Analytiker
NLP Ingeniør
Deep Learning Ingeniør
AI-Forsker
$149k
$197k
$246k
Min
Average
Max
Årlig løn
(Gennemsnit i USA)
Ansættende virksomheder
*Kilde: Glassdoor
Udvalgt af studerende fra de allerbedste skoler
Inkluderer 30 af de 30 allerbedste universiteter i USA.
Data Science-kurser: Nøgleinfo og spørgsmål
Introduktion til datavidenskabskurser
Vi tilbyder et bredt udvalg af kurser inden for alle aspekter af datavidenskab, herunder datavisualisering (som "Ultimate visualization with Python"), datamanipulation med Python (som "Ultimate NumPy" eller "Advanced Techniques in pandas"), SQL (som "Introduction to SQL") og maskinlæring (som "ML Introduction with scikit-learn" eller "Introduction to Neural Networks").
Fordele ved vores datavidenskabskurser
Vi tilbyder vores kunder et omfattende pensum, praktisk erfaring og undervisning fra eksperter.
Karrieremuligheder efter gennemførelse af datavidenskabskurser
Efter gennemførelse af et datavidenskabskursus kan du potentielt starte en karriere i en række datadrevne stillinger, herunder data scientist, dataanalytiker, maskinlæringsanalytiker, business intelligence-analytiker, dataingeniør m.fl.
Muligheder inden for datavidenskab
Vi tilbyder et bredt udvalg af kurser inden for alle aspekter af datavidenskab, herunder datavisualisering (som "Ultimate visualization with Python"), datamanipulation med Python (som "Ultimate NumPy" eller "Advanced Techniques in pandas"), SQL (som "Introduction to SQL") og maskinlæring (som "ML Introduction with scikit-learn" eller "Introduction to Neural Networks").
Certifikatinformation
Efter gennemførelse af et af vores datavidenskabsrelaterede kurser modtager du et certifikat, der dokumenterer dine færdigheder og din viden inden for datavidenskab.
Sådan vælger du det rette datavidenskabskursus
Du bør vurdere dine mål, tjekke forudsætninger og gennemgå pensum.
Hvilket kursus er bedst inden for datavidenskabskategorien?
Vi har mange gode kurser inden for datavidenskab, hvor vi især kan fremhæve "Advanced Techniques in pandas", "Ultimate Visualization with Python" og "ML Introduction with scikit-learn".
Hvorfor bør jeg overveje at tage et online datavidenskabskursus hos jeres virksomhed?
Vi tilbyder vores kunder et omfattende pensum, praktisk erfaring og undervisning fra eksperter.
Tips til succesfuld gennemførelse af datavidenskabskursus
Det er vigtigt at være organiseret, lære aktivt og øve sig regelmæssigt.
Hvad koster træning i datavidenskabskurser?
Vi tilbyder fleksible prisstrukturer. Vores Pro Plan starter ved 49 USD pr. måned eller 99 USD for tre måneder, med besparelser på vores Pro Annual Plan til 144 USD. Vores Ultimate Plan koster 59 USD pr. måned, 147 USD for tre måneder eller 299 USD årligt. Hver plan inkluderer adgang til ekspertudviklet indhold, interaktive udfordringer og certificering.
Hvilket datavidenskabskursus egner sig bedst til begyndere?
For begyndere kan gode muligheder være "Introduction to SQL" og "Pandas First Steps".
Hvilke nøglekompetencer kræves for at få succes inden for datavidenskab?
Det er en fordel at have grundlæggende programmeringserfaring og fundamentale matematiske kundskaber.
Hvordan adskiller datavidenskab sig fra maskinlæring?
Datavidenskab fokuserer på hele processen med at arbejde med data, mens maskinlæring er en underkategori af datavidenskab, der specifikt beskæftiger sig med udvikling og anvendelse af algoritmer, som gør det muligt for computere at lære af og forudsige ud fra data.
Hvilken indflydelse har datavidenskab på industrien?
Datavidenskab driver innovation og effektivitet på tværs af forskellige industrier ved at levere handlingsorienteret indsigt, forbedre beslutningstagning og optimere processer. For eksempel hjælper det virksomheder med at forstå markedstendenser, kundeadfærd og operationel effektivitet.
Er et datavidenskabskursus svært?
Sværhedsgraden kan variere afhængigt af din baggrund og kursets kompleksitet. Kurser med praktiske øvelser og støtte kan gøre læringsprocessen mere overkommelig. Grundlæggende forståelse for statistik og programmering kan lette sværhedsgraden.
Hvilken uddannelse kræves til datavidenskab?
Selvom en specifik uddannelse ikke altid er påkrævet, har mange data scientists uddannelser inden for områder som datalogi, statistik, matematik eller ingeniørvidenskab. Nogle stillinger kan kræve videregående uddannelser eller specialiserede certificeringer, men praktisk erfaring og færdigheder kan også være meget værdifulde.
Hvad siger vores brugere
Deltag 1.5+ millioner avancerer i AI og datafærdigheder hos Codefinity
Klar til at starte?
ProBedste introduktionstilbud$12 /mdÅrlig fakturering
250+ topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser
40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderUltimateAlt du behøver for at booste din karriere$25 /mdÅrlig fakturering
250+ topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderTopkurser i Data Science kategori
1. | Introduktion til neurale netværk med Python |  4 timer |  25 kapitler |
2. | Introduktion til Maskinlæring med Python | 4 timer | 32 kapitler |
3. | Introduktion til NLP med Python | 5 timer | 29 kapitler |
4. | Introduktion til Tensorflow | 2 timer | 16 kapitler |
5. | Lineær Regression med Python | 2 timer | 19 kapitler |
1. Introduktion til neurale netværk med Python
Timer
Kapitler2. Introduktion til Maskinlæring med Python
TimerKapitler3. Introduktion til NLP med Python
TimerKapitler4. Introduktion til Tensorflow
TimerKapitler5. Lineær Regression med Python
TimerKapitlerRelaterede emner på bloggen
Data Analytics
Data Science
by Kyryl SidakData Scientist, ML Engineer
Data Visualization
Data Analytics
Data Manipulation
Excel
by Anastasiia TsurkanBackend Developer
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
