统计实验设计和分析是数据科学的核心。 在本课程中，您将设计统计实验，并使用现代方法分析实验结果。 您还将探索解释统计论据的常见误区，尤其是与大数据相关的误区。 总之，本课程将帮助您内化一套实用有效的机器学习核心方法和概念，并应用它们解决一些实际问题。 学习目标：完成本课程后，您将能够： 1.设计有效的实验并分析实验结果 2.使用重采样方法进行清晰、有力的统计论证，而无需引用深奥的符号 3.解释并应用一套复杂度不断增加的核心分类方法（规则、树、随机森林），以及相关的优化方法（梯度下降和变体） 4.解释并应用一套无监督学习概念和方法 5.描述大规模图分析的常用习语，包括结构查询、遍历和递归查询、PageRank 和社群检测

重要说明：本课程的第二个作业涉及 "云中的图形分析 "主题，您将在其中使用 Elastic MapReduce 和 Pig 语言对一个中等大小的数据集（约 600GB）进行图形分析。为了完成这项任务，您需要使用亚马逊网络服务（AWS）。亚马逊慷慨地为本课程的每位学员提供高达 50 美元的免费 AWS 信用额度，以便您完成作业。有关获得此信用额度过程的更多详细信息，请参阅本课程的欢迎词以及作业本身。请注意，如果您用完了学分，亚马逊、华盛顿大学和 Coursera 将无法补偿您的任何费用。 虽然我们相信该作业有助于在本课程中获得极佳的学习体验，但我们理解有些学员可能无法或不愿使用 AWS。对于没有完成需要使用 AWS 的作业的学员，我们无法颁发课程证书。因此，如果您不能或不愿意使用 AWS，就不应该支付 "数据结果交流 "课程证书的费用，因为不使用 AWS 就无法成功完成课程。 仅仅进行预测是不够的！ 有效的数据科学家知道如何解释和诠释他们的结果，并将结果准确地传达给利益相关者，为业务决策提供信息。 可视化是计算机科学的一个研究领域，它通过将感知、认知和算法联系起来，利用人类视觉皮层的巨大带宽，研究如何有效地交流定量结果。 在本课程中，您将学习如何识别、设计和使用有效的可视化方法。 您可以做出预测并说服他人采取行动，但这并不意味着您应该这样做。 在本课程中，您将探索围绕大数据的道德考量，以及这些考量如何开始影响政策和实践。 您将了解使用技术保护隐私的基本限制，以及新出现的指导数据科学家行为的行为准则。 您还将了解数据科学中可重现性的重要性，以及商业云如何帮助支持可重现性研究，即使是涉及海量数据集、复杂计算基础设施或两者的实验。 学习目标：完成本课程后，您将能够： 1.设计和评论可视化 2.解释大数据和数据科学在隐私、伦理和治理方面的最新进展 3.使用云计算以可重复的方式分析大型数据集。

在毕业设计中，学生将参与一个真实世界的项目，要求他们应用整个数据科学管道中的技能：准备、组织和转换数据、构建模型和评估结果。 通过与 Coursolve 合作，每个 Capstone 项目都与合作伙伴利益相关者联系在一起，这些利益相关者对你的成果有切身利益，并渴望在实践中运用这些成果。 这些项目不会是简单明了的，也不会规定结果--你需要容忍模糊性和负面结果！ 但我们相信，这样的经历会让您受益匪浅，并为您在实践中开展数据科学项目做好更充分的准备。