Flujo de trabajo de IA: análisis de datos y pruebas de hipótesis

Descripción

Este es el segundo curso de la especialización IBM AI Enterprise Workflow Certification. Le recomendamos ENCARECIDAMENTE que complete estos cursos en orden, ya que no son cursos individuales independientes, sino parte de un flujo de trabajo en el que cada curso se basa en los anteriores.

En este curso, comenzará su trabajo para una compañía de medios de transmisión hipotética realizando un análisis de datos exploratorio (EDA). Las mejores prácticas para la visualización de datos, el manejo de datos faltantes y la prueba de hipótesis se le presentarán como parte de su trabajo. Aprenderá técnicas de estimación con distribuciones de probabilidad y extenderá estas estimaciones para aplicar pruebas de significancia de hipótesis nulas. Aplicará lo que aprenda a través de dos casos prácticos prácticos: visualización de datos y pruebas múltiples utilizando una canalización simple.

Al final de este curso deberías poder:
1. Enumere varias prácticas recomendadas sobre EDA y visualización de datos.
2. Cree un panel de control simple en Watson Studio
3. Describir estrategias para lidiar con los datos faltantes.
4. Explique la diferencia entre imputación e imputación múltiple.
5. Emplear distribuciones comunes para responder preguntas sobre probabilidades de eventos.
6. Explicar el papel investigador de la prueba de hipótesis en EDA.
7. Aplicar varios métodos para lidiar con múltiples pruebas.

¿Quién debería tomar este curso?
Este curso está dirigido a profesionales de ciencia de datos existentes que tienen experiencia en la construcción de modelos de aprendizaje automático, que desean profundizar sus habilidades en la construcción y despliegue de IA en grandes empresas. Si es un aspirante a científico de datos, este curso NO es para usted, ya que necesita experiencia en el mundo real para beneficiarse del contenido de estos cursos.

¿Qué habilidades debes tener?
Se asume que ha completado el Curso 1 de la especialización de IBM AI Enterprise Workflow y tiene una comprensión sólida de los siguientes temas antes de comenzar este curso: Conocimiento fundamental de Álgebra Lineal; Comprender el muestreo, la teoría de la probabilidad y las distribuciones de probabilidad; Conocimiento de conceptos estadísticos descriptivos e inferenciales; Comprensión general de las técnicas de aprendizaje automático y las mejores prácticas; Comprensión práctica de Python y los paquetes comúnmente utilizados en ciencia de datos: NumPy, Pandas, matplotlib, scikit-learn; Familiaridad con IBM Watson Studio; Familiaridad con el proceso de pensamiento de diseño.