描述数据科学家的工具包，其中包括库和软件包、数据集、机器学习模型和大数据工具

使用 Python、R 和 SQL 等数据科学家常用的语言

展示 Jupyter 笔记本和 RStudio 等工具的工作知识，并利用其各种功能

使用 Git 仓库和 GitHub 创建和管理数据科学源代码。

描述什么是数据科学方法论以及数据科学家为什么需要方法论。

运用跨行业数据挖掘过程（CRISP-DM）方法的六个阶段分析案例研究。

在用于分析案例研究的预测模型、描述模型和分类模型中，评估哪种分析模型合适。

为数据科学分析方法确定合适的数据源。

通过学习基本语法、数据类型、表达式、变量和 String 操作，培养对 Python 编程的基础理解。

使用数据结构、条件和分支、Loop、函数、异常处理、对象和类应用 Python 编程逻辑。

熟练使用 Pandas 和 Numpy 等 Python 库，并使用 Jupyter Notebook 开发代码。

通过使用请求处理 REST API 和使用 BeautifulSoup 执行网络刮擦，访问和提取基于网络的数据。

扮演数据科学家/数据分析师的角色，参与一个真实项目。

展示您的 Python 技能--数据科学和数据分析的首选语言。

应用 Python 基础知识、Python 数据结构和使用 Python 处理数据。

使用 Python 和 Pandas、Beautiful Soup 和 Plotly 等库及 Jupyter 笔记本构建仪表盘。

使用 SQL 和 Python 分析数据库中的数据。

创建关系数据库，并使用 DDL 命令处理多个表。

使用 DML 命令构建基本至中级 SQL 查询。

利用视图、事务、存储过程和连接等高级 SQL 技术，编写功能更强大的查询。

构建 Python 程序，通过处理缺失值、格式不一致、归一化和分选等问题，清理和准备数据以进行分析

使用 Pandas、NumPy 和 SciPy 等库，通过探索性数据分析 (EDA) 分析现实世界的数据集，从而发现模式和见解

应用数据操作技术，使用数据框架来组织、总结和解释数据分布、相关性分析和数据管道

使用 Scikit-learn 开发和评估回归模型，并使用这些模型生成预测和支持数据驱动的决策 Making

使用 Matplotlib、Seaborn 和 Folium 等 Python 库实施数据可视化技术和绘图，讲述生动的故事

创建不同类型的图表和图形，如折线图、面积图、柱状图、饼图、方框图、散点图和气泡图

创建高级可视化图表，如华夫饼图、词云、回归图、带标记的地图和choropleth 地图

使用 Dash 框架和 Plotly 库生成包含散点图、折线图、柱状图、气泡图、饼图和旭日图的交互式仪表盘

解释机器学习中涉及的关键概念、工具和角色，包括监督和非监督学习技术。

使用 Python 和 Scikit-learn 应用核心机器学习算法，如 Regression、分类、Cluster 和降维。

使用适当的指标、验证策略和优化技术评估模型性能。

通过动手实验室、项目和实际评估，在真实数据集上构建和评估端到端 Machine Learning 解决方案。

利用真实世界的数据集展示数据科学和机器学习技术的熟练程度，并为利益相关者编写报告

运用您的技能进行数据收集、数据整理、探索性数据分析、数据可视化模型开发和模型评估

编写 Python 代码，创建机器学习模型，包括支持向量机、决策树分类器和 K 近邻模型

评估用于预测分析的机器学习模型的结果，比较其优缺点并确定最佳模型

利用数据科学家可用的生成式人工智能工具（如 GPT 3.5、ChatCSV 和 tomat.ai）来查询和准备数据

研究生成式人工智能可增强数据科学工作流程的实际应用场景

通过为特定用例生成和增强数据集，在动手实验室和项目中练习生成式人工智能技能

在开发和完善机器学习模型时应用人工智能生成技术

描述数据科学家的角色、一些职业道路选择以及该领域的潜在机会。

解释如何为求职打下基础，包括研究招聘信息、撰写简历和制作作品集。

总结求职者在典型的求职面试周期中可能遇到的情况、不同类型的面试以及如何准备面试。

解释如何进行有效的面试，包括回答问题的技巧和如何进行专业的个人陈述。