Data Science Foundation
(DSP-110.AK1) / ISBN : 978-1-64459-424-7
Über diesen Kurs
Entfesseln Sie die Macht der Daten und ebnen Sie sich mit dem Kurs Data Science Foundation den Weg zum Erfolg. Bereiten Sie sich auf die Prüfung vor, indem Sie an interaktiven Lektionen, Tests, Prüfungsvorbereitungen und praktischen Übungen teilnehmen, die Ihnen die Fähigkeiten vermitteln, Daten effektiv zu analysieren, zu bearbeiten und zu präsentieren. Werden Sie ein gefragter Data-Science-Experte und bringen Sie wertvolle Erkenntnisse in die Entscheidungsprozesse Ihres Unternehmens ein.
Fähigkeiten, die Sie erwerben werden
Tauchen Sie ein in die Welt der Data Science und werden Sie mit der Prüfung zum Certified Data Science Practitioner (CDSP) ein gefragter Experte. In der heutigen datengesteuerten Landschaft sind Unternehmen auf qualifizierte Personen angewiesen, die Daten effektiv analysieren, bearbeiten und präsentieren können. In dieser Prüfung werden Ihre Fähigkeiten getestet, wertvolle Erkenntnisse zu gewinnen, fundierte Entscheidungen zu treffen und zum Erfolg jeder Organisation beizutragen.
Holen Sie sich die Unterstützung, die Sie brauchen. Melden Sie sich für unseren Kurs mit Lehrer an.
Unterricht
9+ Unterricht | 154+ Übungen | 64+ Tests | 247+ Karteikarten | 247+ Glossar der Begriffe
Testvorbereitung
25+ Fragen vor der Beurteilung | 2+ Ausführliche Tests | 25+ Fragen nach der Bewertung | 50+ Testfragen zur Praxis
Praktische Übungen
37+ LiveLab | 37+ Videoanleitungen | 01:50+ Hours
About This Course
- Course Description
- Course Objectives
Addressing Business Issues with Data Science
- Topic A: Initiate a Data Science Project
- Topic B: Formulate a Data Science Problem
- Summary
Extracting, Transforming, and Loading Data
- Topic A: Extract Data
- Topic B: Transform Data
- Topic C: Load Data
- Summary
Analyzing Data
- Topic A: Examine Data
- Topic B: Explore the Underlying Distribution of Data
- Topic C: Use Visualizations to Analyze Data
- Topic D: Preprocess Data
- Summary
Designing a Machine Learning Approach
- Topic A: Identify Machine Learning Concepts
- Topic B: Test a Hypothesis
- Summary
Developing Classification Models
- Topic A: Train and Tune Classification Models
- Topic B: Evaluate Classification Models
- Summary
Developing Regression Models
- Topic A: Train and Tune Regression Models
- Topic B: Evaluate Regression Models
- Summary
Developing Clustering Models
- Topic A: Train and Tune Clustering Models
- Topic B: Evaluate Clustering Models
- Summary
Finalizing a Data Science Project
- Topic A: Communicate Results to Stakeholders
- Topic B: Demonstrate Models in a Web App
- Topic C: Implement and Test Production Pipelines
- Summary
Extracting, Transforming, and Loading Data
- Reading Data from a CSV File
- Extracting Data with Database Queries
- Consolidating Data from Multiple Sources
- Handling Irregular and Unusable Data
- Correcting Data Formats
- De-duplicating Data
- Handling Textual Data
- Loading Data into a Database
- Loading Data into a DataFrame
- Exporting Data to a CSV File
Analyzing Data
- Examining Data
- Exploring the Underlying Distribution of Data
- Analyzing Data Using Histograms
- Analyzing Data Using Box Plots and Violin Plots
- Analyzing Data Using Scatter Plots and Line Plots
- Analyzing Data Using Bar Charts
- Analyzing Data Using HeatMaps
- Handling Missing Values
- Applying Transformation Functions to a Dataset
- Encoding Data
- Discretizing Variable
- Splitting and Removing Features
- Performing Dimensionality Reduction
Developing Classification Models
- Training a Logistic Regression Model
- Training a k-NN Model
- Training an SVM Classification Model
- Training a Naïve Bayes Model
- Training Classification Decision Trees and Ensemble Models
Developing Regression Models
- Training a Linear Regression Model
- Training Regression Trees and Ensemble Models
- Tuning Regression Models
- Evaluating Regression Models
Developing Clustering Models
- Training a k-Means Clustering Model
- Training a Hierarchical Clustering Model
- Tuning Clustering Models
- Evaluating Clustering Models
Finalizing a Data Science Project
- Building an ML Pipeline
Haben Sie Fragen? Schauen Sie sich die FAQs an
Sie haben noch unbeantwortete Fragen und möchten Kontakt aufnehmen?
Kontaktiere uns jetzt350 $
Pearson VUE
Multiple-Choice/Einzelantwort
Die Prüfung umfasst 100 Fragen (von denen 75 für die Endnote zählen).
120 Minuten
70 %
Für jede Wiederholungsprüfung fällt eine Gebühr von 50 US-Dollar an. Sie können die Prüfung bis zu drei (3) Mal ablegen. Sie müssen die Prüfung innerhalb von sechs (6) Monaten nach dem Datum Ihrer ersten Prüfung bestehen.