Datavitenskap
( 24 Moduler )

modul #1
Introduksjon til datavitenskap
Oversikt over datavitenskap, viktighet og anvendelser

modul #2
Datavitenskapsprosess
Forstå datavitenskapsprosessen: problemdefinisjon, datainnsamling, rengjøring, analyse og visualisering

modul #3
Python for Data Science
Introduksjon til Python-programmeringsspråket og dets biblioteker for datavitenskap (NumPy, Pandas, etc.)

modul #4
Data Preprocessing
Håndtering av manglende verdier, datanormalisering, funksjonsskalering og data transformasjon

modul #5
Datavisualisering
Introduksjon til datavisualisering ved bruk av Matplotlib og Seaborn

modul #6
Descriptive Statistics
Mål på sentral tendens, variabilitet og datadistribusjon

modul #7
Inferensiell statistikk
Hypotese testing, konfidensintervaller og p-verdier

modul #8
Regresjonsanalyse
Enkel og flerfoldig lineær regresjon, regresjonsantakelser og modellevaluering

modul #9
Feature Engineering
Funksjonsvalg, utvinning og opprettingsteknikker

modul #10
Supervised Learning
Introduksjon til veiledet læring, klassifisering og regresjon

modul #11
Usupervised Learning
Introduksjon til uovervåket læring, clustering og dimensjonalitetsreduksjon

modul #12
Model Evaluation
Metrics for evaluere modellytelse, overtilpasning og undertilpasning

modul #13
Beslutningstrær og tilfeldige skoger
Introduksjon til beslutningstrær og tilfeldige skoger, fordeler og begrensninger

modul #14
Support Vector Machines
Introduksjon til støtte for vektormaskiner, kjernetriks og SVM-typer

modul #15
Neural Networks
Introduksjon til nevrale nettverk, perceptron og flerlagsperceptron

modul #16
Deep Learning
Introduksjon til dyp læring, konvolusjonelle nevrale nettverk og tilbakevendende nevrale nettverk

modul #17
Natural Language Processing
Introduksjon til naturlig språkbehandling, tekstforbehandling og tekstrepresentasjon

modul #18
Big Data and NoSQL Databases
Introduksjon til big data, Hadoop-økosystem og NoSQL-databaser

modul #19
Data Storytelling
Effektiv kommunikasjon av innsikt og resultater ved bruk av datavisualisering og historiefortelling

modul #20
Data Science Tools and Technologies
Introduksjon til datavitenskapelige verktøy og teknologier, Jupyter Notebooks og Git

modul #21
Case Study 1:Regresjonsanalyse
Bruk av regresjonsanalyse på et reell problem

modul #22
Case Study 2:Classification
Aplying classification techniques to a real-world problem

modul #23
Case Study 3:Clustering
Bruk av klyngeteknikker på et problem i den virkelige verden

modul #24
Kursavslutning og konklusjon
Planlegging av neste trinn i Data Science-karrieren

Klar til å lære, dele og konkurrere?