Краткое руководство по науке о данных Краткое содержание курса Udemy
Каждый должен где-нибудь начать. План быстрого старта в науке о данных.
TL; DR: эта статья представляет собой предварительный просмотр курса, который я недавно сделал доступным на Udemy. Если вы работаете в классе (на любом уровне), прокрутите статью до конца, где я обсуждаю предложение этого курса вам и вашим ученикам по сниженным ценам. В порядке очереди несколько избранных классов смогут бесплатно записаться на курс.
Вступление
Каждому нужно начинать с чего-то. Этот курс Быстрый старт по науке о данных предназначен для людей, которые думают, что могут интересоваться наукой о данных, но еще не уверены. Это курс для новичков, который познакомится с корреляционным анализом (одним из простейших доступных аналитических методов) и программированием на Python.
В частности, этот курс состоит из двух основных учебных модулей и заключительного опыта. Первый обучающий модуль учит, как выполнять корреляционный анализ, шаг за шагом. Второй обучающий модуль обучает выбранному диапазону методов программирования Python. Опыт Capstone предлагает студентам выполнить корреляционный анализ на Python. Также есть пять бонусных лекций.
Ниже приводится более подробный план.
Добро пожаловать и введение
Первое видео приветствует студентов на курсе, обсуждает потенциальную аудиторию, а также описывает общий план курса. Я разработал этот курс для студентов, которые еще не начали заниматься наукой о данных, но думают, что они могут быть заинтересованы в этой работе.
Студенты, которые никогда не писали ни одной строчки кода, могут успешно пройти этот курс. Этот курс также будет полезен для студентов, которые ранее начали изучать науку о данных, но еще не закончили. Этот курс поможет вам начать все заново.
Во втором видео резюмируются несколько ключевых понятий. Это видео с ключевыми концепциями отвечает на четыре вопроса. Что такое данные? Что такое набор данных? Что такое наблюдения? Что такое переменные?
Модуль 1: Корреляционный анализ.
Этот модуль поставляется с несколькими рабочими таблицами, которые поддерживают корреляционный анализ обучения. Чтобы дать инструкции по выполнению корреляционного анализа, есть четыре видеоролика.
После просмотра уроков по корреляционному анализу, которые перемещают студентов по рабочим листам модуля, появляется видео, которое знакомит с проверкой учебных знаний.
Проверка знаний - это возможность для студентов выполнить корреляционный анализ без видео-лекции. Уроки побуждают учащихся пройти проверку знаний перед просмотром последнего видеоролика модуля, в котором показано и объясняется решение для проверки знаний.
Модуль 2: Ускоренный курс Python.
После обучения выполнению корреляционного анализа студенты изучают избранный диапазон методов программирования на Python. Второй модуль посвящен программированию на Python. Большинство бонусных видео также содержат инструкции по программированию на Python.
Этот модуль также предоставляет инструкции о том, как получить доступ к Python и взаимодействовать с ним. Для прохождения этого курса нет необходимости устанавливать Python. Этот модуль также иллюстрирует несколько простых инструментов, обеспечивающих доступ к Python.
Один из моих любимых инструментов - платформа Попробуйте Jupyter от Jupyter.Org. Для тех, кто хочет установить Python, этот модуль также предоставляет советы и рекомендации по этой теме.
Этот модуль Python обучает всем методам, необходимым для выполнения корреляционного анализа в Python. В этом модуле почти не указывается конкретный код, который будет выполнять корреляционный анализ в Python. Курс избавляет от необходимости писать код, выполняющий корреляционный анализ.
Для справки учащимся: в этом модуле есть несколько записных книжек Jupyter, связанных с видео.
Краеугольный камень курса
В итоговый курс курса входят два видеоролика и три блокнота Jupyter. Первое видео и первые две записные книжки знакомят с задачей Capstone. Основная задача студентов - выполнить корреляционный анализ с нуля, используя Python.
В записных книжках есть шаблон и полезные подсказки, которые помогут студентам реализовать корреляционный анализ в Python. Это означает, что студентам не нужно начинать с чистого листа. Перед просмотром видеоролика о решении Capstone важно, чтобы учащиеся в максимально возможной степени прошли итоговый курс. В случае затруднения студенты могут использовать доску обсуждений курса или обратиться за помощью в Интернете. Рабочие инструкции, представленные в предыдущем модуле, также являются полезным ресурсом во время выполнения Capstone Challenge.
Конечно, при необходимости вам может помочь видео о решении Capstone. Когда учащиеся получат рабочее решение или когда студент почувствует себя готовым, в видеоролике с решением будет представлена инструкция по выполнению корреляционного анализа в Python.
Также важно отметить, что видео о решении предлагает одно решение. Доступны и другие решения. Если ваше решение не совпадает с решением на видео построчно, это не означает, что вы не прошли курс.
Заключение
В ходе работы был описан недавно выпущенный курс Быстрый старт по науке о данных, доступный на Udemy.
Основная учебная стратегия этого курса:
- Сначала обучу двум навыкам, включая 1: вычисление коэффициента корреляции и 2: кодирование на Python).
- Во-вторых, чтобы закрепить это обучение, побуждая студентов комбинировать эти новые навыки новыми способами (выполнение анализа корреляции на Python).
Я создал этот курс для студентов, плохо знакомых с наукой о данных. Я также рассматривал студентов, которые, возможно, когда-то изучали науку о данных и теперь заинтересованы в возобновлении прежнего обучения. Любой, кто заинтересован в изучении корреляционного анализа (для школы или чего-то еще), также может быть заинтересован в этом курсе.
Путешествие в тысячу миль начинается с одного шага. (Атрибуция).
Если вы инструктор и хотите использовать этот курс в качестве дополнительного учебного пособия, свяжитесь со мной. Я буду работать с вами, чтобы сделать курс для ваших студентов дешевле. Это предложение открыто для учителей, инструкторов и профессоров любого уровня образования и любого кампуса.
Каждый должен с чего-то начинать.
Спасибо за прочтение
Спасибо за прочтение. Присылайте мне свои мысли и идеи. Вы можете написать, просто чтобы поздороваться. И если вам действительно нужно рассказать мне, как я ошибся, я с нетерпением жду встречи в ближайшее время. Twitter: @adamrossnelson LinkedIn: Адам Росс Нельсон в Twitter и Facebook: Адам Росс Нельсон в Facebook.
