Flusso di lavoro AI: analisi dei dati e test di ipotesi

Descrizione

Questo è il secondo corso della specializzazione in IBM AI Enterprise Workflow Certification. Sei FORTEMENTE incoraggiato a completare questi corsi in ordine in quanto non sono corsi individuali indipendenti, ma parte di un flusso di lavoro in cui ogni corso si basa su quelli precedenti.

In questo corso inizierai il tuo lavoro per un'ipotetica società di streaming media facendo analisi esplorativa dei dati (EDA). Le migliori pratiche per la visualizzazione dei dati, la gestione dei dati mancanti e il test delle ipotesi ti verranno presentate come parte del tuo lavoro. Imparerai tecniche di stima con distribuzioni di probabilità ed estenderai queste stime per applicare test di significatività dell'ipotesi nulla. Applicherai ciò che impari attraverso due mani su casi di studio: visualizzazione dei dati e test multipli utilizzando una semplice pipeline.

Entro la fine di questo corso dovresti essere in grado di:
1. Elencare diverse migliori pratiche riguardanti l'EDA e la visualizzazione dei dati
2. Creare una semplice dashboard in Watson Studio
3. Descrivere le strategie per trattare i dati mancanti
4. Spiegare la differenza tra imputazione e imputazione multipla
5. Utilizzare distribuzioni comuni per rispondere a domande sulle probabilità degli eventi
6. Spiegare il ruolo investigativo del test di ipotesi nell'EDA
7. Applicare diversi metodi per gestire più test

Chi dovrebbe seguire questo corso?
Questo corso si rivolge ai professionisti della scienza dei dati esistenti che hanno esperienza nella costruzione di modelli di apprendimento automatico, che desiderano approfondire le proprie abilità nella costruzione e distribuzione dell'IA nelle grandi imprese. Se sei un aspirante scienziato di dati, questo corso NON fa per te in quanto hai bisogno di esperienza nel mondo reale per beneficiare del contenuto di questi corsi.

Quali abilità dovresti avere?
Si presume che tu abbia completato il Corso 1 della specializzazione IBM AI Enterprise Workflow e abbia una solida conoscenza dei seguenti argomenti prima di iniziare questo corso: Comprensione fondamentale dell'Algebra lineare; Comprendere il campionamento, la teoria della probabilità e le distribuzioni di probabilità; Conoscenza di concetti statistici descrittivi e inferenziali; Comprensione generale delle tecniche di apprendimento automatico e delle migliori pratiche; Comprensione pratica di Python e dei pacchetti comunemente utilizzati nella scienza dei dati: NumPy, Panda, matplotlib, scikit-learn; Familiarità con IBM Watson Studio; Familiarità con il processo di pensiero progettuale.