Datenwissenschaft im wirklichen Leben Das Universitätsnetzwerk

Beschreibung

Haben Sie jemals die perfekte datenwissenschaftliche Erfahrung gemacht? Der Datenabruf verlief perfekt. Es gab keine Zusammenführungsfehler oder fehlenden Daten. Die Hypothesen wurden vor den Analysen klar definiert. Für die Behandlung von Interesse wurde eine Randomisierung durchgeführt. Der Analyseplan wurde vor der Analyse umrissen und genau befolgt. Die Schlussfolgerungen waren klar und umsetzbare Entscheidungen waren offensichtlich. Ist dir das alles passiert? Natürlich nicht. Die Datenanalyse im wirklichen Leben ist chaotisch. Wie führt man ein Team, das mit realen Datenanalysen konfrontiert ist? In diesem einwöchigen Kurs stellen wir das Ideal dem gegenüber, was im wirklichen Leben passiert. Indem Sie das Ideal gegenüberstellen, lernen Sie Schlüsselkonzepte kennen, mit denen Sie reale Analysen verwalten können.

Dies ist ein fokussierter Kurs, der Sie schnell auf den neuesten Stand der Datenwissenschaft im wirklichen Leben bringen soll. Unser Ziel war es, dies für Sie so bequem wie möglich zu gestalten, ohne auf wesentliche Inhalte zu verzichten. Wir haben die technischen Informationen beiseite gelassen, damit Sie sich darauf konzentrieren können, Ihr Team zu verwalten und weiterzuentwickeln.

Nach Abschluss dieses Kurses wissen Sie, wie Sie:

1, Beschreiben Sie die „perfekte“ datenwissenschaftliche Erfahrung
2. Identifizieren Sie Stärken und Schwächen in Versuchsplänen
3. Beschreiben Sie mögliche Fallstricke beim Abrufen / Zusammenstellen von Daten und lernen Sie Lösungen zum Verwalten von Datenabrufen.
4. Fordern Sie statistische Modellierungsannahmen heraus und geben Sie Feedback an Datenanalysten
5. Beschreiben Sie häufige Fallstricke bei der Kommunikation von Datenanalysen
6. Erhalten Sie einen Einblick in einen Tag im Leben eines Datenanalyse-Managers.

Der Kurs wird auf konzeptioneller Ebene für aktive Manager von Datenwissenschaftlern und Statistikern unterrichtet. Einige Schlüsselkonzepte, die diskutiert werden, umfassen:
1. Versuchsaufbau, Randomisierung, A / B-Tests
2. Kausale Folgerung, Kontrafakten,
3. Strategien zur Verwaltung der Datenqualität.
4. Voreingenommenheit und Verwirrung
5. Kontrast zwischen maschinellem Lernen und klassischer statistischer Inferenz

Kursaktion:
https://www.youtube.com/watch?v=9BIYmw5wnBI

Titelbild des Kurses von Jonathan Gross. Creative Commons BY-ND https://flic.kr/p/q1vudb