Hatten Sie schon einmal das perfekte Data Science-Erlebnis? Die Datenabfrage verlief perfekt. Es gab keine Zusammenführungsfehler oder fehlende Daten. Die Hypothesen wurden vor den Analysen klar definiert. Die Behandlung, die Sie interessiert, wurde nach dem Zufallsprinzip durchgeführt. Der Analyseplan wurde vor der Analyse umrissen und genau befolgt. Die Schlussfolgerungen waren klar und die Entscheidungen, die getroffen wurden, waren offensichtlich. Ist Ihnen das schon einmal passiert? Nein, natürlich nicht. Die Datenanalyse im wirklichen Leben ist chaotisch. Wie leitet man ein Team, das mit echten Datenanalysen konfrontiert ist? In diesem einwöchigen Kurs stellen wir das Ideal dem gegenüber, was im wirklichen Leben passiert. Durch die Gegenüberstellung des Ideals lernen Sie Schlüsselkonzepte, die Ihnen bei der Verwaltung von Analysen im wirklichen Leben helfen werden.

Dieser Kurs ist so konzipiert, dass Sie schnell in die Lage versetzt werden, Data Science in der Praxis anzuwenden. Unser Ziel war es, den Kurs für Sie so bequem wie möglich zu gestalten, ohne dabei auf wesentliche Inhalte zu verzichten. Wir haben die technischen Informationen beiseite gelassen, damit Sie sich darauf konzentrieren können, Ihr Team zu leiten und voranzubringen. Nach Abschluss dieses Kurses werden Sie wissen, wie man: 1. die "perfekte" Data Science Erfahrung beschreibt 2. Stärken und Schwächen von Versuchsplänen zu erkennen 3. Beschreiben Sie mögliche Fallstricke bei der Datenbeschaffung und lernen Sie Lösungen für die Verwaltung von Datenbeschaffungen kennen. 4. Hinterfragen Sie statistische Modellierungsannahmen und geben Sie Datenanalysten Feedback 5. Beschreiben Sie häufige Fallstricke bei der Kommunikation von Datenanalysen 6. Erhalten Sie einen Einblick in den Alltag eines Datenanalyse-Managers. Der Kurs wird auf einer konzeptionellen Ebene für aktive Manager von Datenwissenschaftlern und Statistikern unterrichtet. Einige wichtige Konzepte, die besprochen werden, sind: 1. Versuchsplanung, Randomisierung, A/B-Tests 2. Kausale Schlussfolgerungen, kontrafaktische Daten, 3. Strategien zur Verwaltung der Datenqualität 4. Verzerrung und Verwechslung 5. Gegenüberstellung von maschinellem Lernen und klassischer statistischer Inferenz Kurspromo: https://www.youtube.com/watch?v=9BIYmw5wnBI Titelbild des Kurses von Jonathan Gross. Creative Commons BY-ND https://flic.kr/p/q1vudb