Olet kiinnostunut etsimään uutta tietoa? Hanki 2000-luvun seksikkäin ammatti.

Mitä opit kurssilla?

Järjestelmätyökalut ja GIT-ohjausjärjestelmä

Järjestelmätyökalut ovat kokoelma hyödyllisiä tekniikoita järjestelmän käyttämiseen komentojen avulla. Jokaisen itseään kunnioittavan datatieteen asiantuntijan tulee osata käyttää tätä näitä järjestelmiä, – me opetamme sinulle kuinka se tapahtuu.

Lisäksi opit käyttämään GIT-ohjausjärjestelmää, joka mahdollistaa sujuvan yhteistyön tiimin kanssa.

Python datatieteessä

Python on datatieteen suosituin ohjelmointikieli. Siinä on eniten tietokantoja ja kehyksiä, jotka suorittavat useita datatieteen tehtäviä.

Tässä osiossa opit Pythonin perusteet, joita tarvitaan sovelluskoodin luomiseen.

Tilastot ja todennäköisyys

Datatiede perustuu kokonaan matematiikkaan. Tämä osio auttaa sinua ymmärtämään Numpy-tietokannalla suoritettuja laskutoimituksia, jossa voit laskea kaikkea peruslaskutoimituksista lineaariseen algebraan (laskutoimituksia vektoreille/taulukoille).

Toisessa osassa käymme läpi todennäköisyyksiä – esimerkiksi miksi testit pitää tehdä uudestaan, jos niiden onnistumisprosentti on 90.

Datamassojen käsittely

Datatiede on dataa, dataa ja vielä vähän lisää dataa. Data tulee eri lähteistä ja on eri muodoissa. Sanotaan, että 90 % datatieteen asiantuntijan työstä on tietojenkäsittelyä. Siitä on vaikea olla eri mieltä. Tässä osiossa hankitut taidot ovat sellaisia, joita tulet käyttämään eniten työelämässä.

Opit käsittelemään API- tai SQL-tietokannasta ladattuja tiedostoja.

Tietojen visualisointi

Yksi kaavio kertoo yleensä enemmän kuin tuhat sanaa tietystä aiheesta. Kyky esittää tiedot asianmukaisella tavalla on arvokasta, etenkin jos työskentelet ostavien asiakkaiden kanssa.

Tässä osiossa opit luomaan datatieteen työhön tarvittavia interaktiivisia kaavioita.

Koneoppiminen käytännössä

Osakemarkkinoiden hintojen ennustaminen?

Oikean hetken valinta asunnon ostolle ottaen huomioon aikaisemmat hinnat?

Mitä tulevaisuus tuo tullessaan, jos tunnemme menneisyyden?

Yritämme hakea vastauksia näihin kysymyksiin menneisyydestä nykyteknologian avulla. Yhden suuren tuntemattoman arvon ennustaminen muiden jo tiedossa olevien tunnettujen arvosta on mahdollista. Tämä osio esittelee koko aiheen klassisista koneoppimismenetelmistä, joihin monet nykyaikaiset ratkaisut perustuvat. Opit myös ohjatun oppimisen luokitteluongelmista ja mitä on itsenäinen opiskelu.

TensorFlow-tietokanta

Opit suosituimman kehyksen puitteissa luomaan verkkoratkaisuja. Se mahdollistaa tietyn data-arkkitehtuurin, sen oppimisprosessin ja myöhempien toimien helpon toteuttamisen.

Neuroverkot

Keinotekoiset neuroverkot ovat rakenteita, jotka jäljittelevät aivoissa olevia rakenteita. Eli aivoihin tulee signaali, jota eri hermosolut käsittelevät eri tavalla ja tuottavat lopputuloksena jonkin tyyppistä informaatiota. Tämä on yksi suosituimmista koneoppimismenetelmistä, joten se on tunnettava erittäin hyvin.

Niiden avulla on mahdollista ratkaista regression ja luokittelun ongelmat, mutta myös paljon muita asioita. Opetamme sinulle tapoja oppia tällaisia verkkoja TensorFlown avulla.

Kuvankäsittely – Computer Vision

Miten itseohjautuvat autot toimivat?

Miten ne tunnistavat liikennemerkit tai jalankulkijat? Tässä osiossa käsittelemme kuvadataa.

Miten melu suodatetaan? Mitä dataa kuvista voidaan poimia?

Lisäksi opit käyttämään kuvadatan käsittelyyn käytettävien neuroverkkojen erityisrakenteita. Kun ymmärrät miten datan siirto tapahtuu, niin pystyt luomaan ratkaisuja, joilla voidaan selvittää useimmat kuvankäsittely ongelmat ja paljon muuta.

Luonnollisen kielen prosessointi (NLP)

Alexa ja Siri ovat kaksi esimerkkiä ääniavustajista. Miten he ymmärtävät sen mitä me sanomme?

Tässä osiossa opit käsittelemään tekstidataa (ja saat vastauksen tähän kysymykseen).

Työskentely sekvenssien kanssa – rekursiiviset neuroverkot

Kuinka neuroverkot voivat ottaa huomioon sekvenssit eivätkä yhtä objektia? Mistä algoritmi tietää, mikä sana tulee seuraavaksi?

Yritämme vastata näihin kysymyksiin käyttämällä rekursiivisia neuroverkkoja

Käytännön projekteja

Kurssin aikana suoritat neljä projektia. Näistä kolme on käytännönläheisiä projekteja (regressio, luokittelu ja kuvankäsittely), jotka toteutetaan kurssin eri vaiheissa. Lopuksia sinulle annetaan tehtäväksi yksi vähän suurempi päättötyö. 

Esimerkki viimeisestä päättötyöstä voisi olla projekti, jossa käytetään julkisesti saatavilla olevia tietoja ja ennustetaan aiheesta Covid-19.