Statistische Versuchsplanung und Analyse sind das Herzstück der Datenwissenschaft. In diesem Kurs werden Sie statistische Experimente entwerfen und die Ergebnisse mit modernen Methoden analysieren. Sie werden auch die üblichen Fallstricke bei der Interpretation statistischer Argumente erkunden, insbesondere im Zusammenhang mit Big Data. Insgesamt wird Ihnen dieser Kurs dabei helfen, einen Kernbestand an praktischen und effektiven Methoden und Konzepten des maschinellen Lernens zu verinnerlichen und sie zur Lösung einiger realer Probleme anzuwenden. Lernziele: Nach Abschluss dieses Kurses werden Sie in der Lage sein: 1. Effektive Experimente zu entwerfen und die Ergebnisse zu analysieren 2. Resampling-Methoden anwenden, um klare und stichhaltige statistische Argumente zu liefern, ohne sich auf esoterische Notationen zu berufen 3. Einen Kernsatz von Klassifizierungsmethoden mit zunehmender Komplexität (Regeln, Bäume, Zufallswälder) und die damit verbundenen Optimierungsmethoden (Gradientenabstieg und Varianten) erklären und anwenden 4. Erklären und Anwenden einer Reihe von Konzepten und Methoden des unüberwachten Lernens 5. Beschreiben Sie die gebräuchlichen Redewendungen der groß angelegten Graphenanalyse, einschließlich Strukturabfragen, Traversalen und rekursiven Abfragen, PageRank und Community-Erkennung

Wichtiger Hinweis: Die zweite Aufgabe in diesem Kurs befasst sich mit dem Thema Graphenanalyse in der Cloud, bei der Sie Elastic MapReduce und die Pig-Sprache verwenden, um eine Graphenanalyse über einen mäßig großen Datensatz (ca. 600 GB) durchzuführen. Um diese Aufgabe zu bewältigen, müssen Sie die Amazon Web Services (AWS) in Anspruch nehmen. Amazon hat großzügigerweise angeboten, jedem Lernenden in diesem Kurs ein kostenloses AWS-Guthaben von bis zu $50 zur Verfügung zu stellen, damit Sie die Aufgabe erfüllen können. Weitere Einzelheiten zum Erhalt dieses Guthabens finden Sie in der Willkommensnachricht für den Kurs sowie in der Aufgabe selbst. Bitte beachten Sie, dass Amazon, die University of Washington und Coursera Ihnen keine Kosten erstatten können, wenn Sie Ihr Guthaben aufgebraucht haben. Wir sind zwar der Meinung, dass diese Aufgabe zu einer ausgezeichneten Lernerfahrung in diesem Kurs beiträgt, verstehen aber, dass einige Lernende AWS nicht nutzen können oder wollen. Wir sind nicht in der Lage, Kurszertifikate für Lernende auszustellen, die die Aufgabe, die die Verwendung von AWS erfordert, nicht abschließen. Daher sollten Sie nicht für ein Kurszertifikat für die Kommunikation von Datenergebnissen bezahlen, wenn Sie AWS nicht verwenden können oder wollen, da Sie den Kurs sonst nicht erfolgreich abschließen können. Vorhersagen zu treffen ist nicht genug! Effektive Datenwissenschaftler wissen, wie sie ihre Ergebnisse erklären und interpretieren können und wie sie die Ergebnisse an die Beteiligten weitergeben können, um Geschäftsentscheidungen zu treffen. Visualisierung ist das Forschungsgebiet der Informatik, das sich mit der effektiven Kommunikation quantitativer Ergebnisse beschäftigt, indem es Wahrnehmung, Kognition und Algorithmen miteinander verknüpft, um die enorme Bandbreite des menschlichen visuellen Kortex zu nutzen. In diesem Kurs lernen Sie, effektive Visualisierungen zu erkennen, zu entwerfen und zu verwenden. Nur weil Sie eine Vorhersage machen und andere davon überzeugen können, danach zu handeln, heißt das nicht, dass Sie es auch tun sollten. In diesem Kurs werden Sie die ethischen Überlegungen im Zusammenhang mit Big Data erkunden und erfahren, wie diese Überlegungen die Politik und die Praxis zu beeinflussen beginnen. Sie lernen die grundlegenden Grenzen des Einsatzes von Technologie zum Schutz der Privatsphäre und die Verhaltenskodizes kennen, die sich für das Verhalten von Datenwissenschaftlern abzeichnen. Sie werden auch erfahren, wie wichtig die Reproduzierbarkeit in der Datenwissenschaft ist und wie die kommerzielle Cloud dazu beitragen kann, reproduzierbare Forschung zu unterstützen, selbst bei Experimenten mit riesigen Datensätzen, komplexen Berechnungsinfrastrukturen oder beidem. Lernziele: Nach Abschluss dieses Kurses werden Sie in der Lage sein: 1. Visualisierungen zu entwerfen und zu kritisieren 2. Den Stand der Technik in den Bereichen Datenschutz, Ethik und Governance im Zusammenhang mit Big Data und Data Science zu erklären 3. Cloud Computing zu nutzen, um große Datenmengen auf reproduzierbare Weise zu analysieren.

Im Capstone-Projekt arbeiten die Studenten an einem realen Projekt, bei dem sie Fähigkeiten aus der gesamten Data-Science-Pipeline anwenden müssen: Vorbereitung, Organisation und Umwandlung von Daten, Konstruktion eines Modells und Auswertung der Ergebnisse. Durch die Zusammenarbeit mit Coursolve ist jedes Capstone-Projekt mit Partner-Stakeholdern verbunden, die ein großes Interesse an Ihren Ergebnissen haben und diese in der Praxis einsetzen möchten. Diese Projekte werden nicht einfach sein und das Ergebnis ist nicht vorgeschrieben - Sie werden Unklarheiten und negative Ergebnisse tolerieren müssen! Aber wir glauben, dass die Erfahrung lohnend sein wird und Sie besser auf Data-Science-Projekte in der Praxis vorbereiten wird.