Hướng dẫn what are the important skills to have in python regarding data analysis - các kỹ năng quan trọng cần có trong python liên quan đến phân tích dữ liệu là gì

Phần 1: Kỹ năng kỹ thuật & NBSP; Yêu cầu cho các nhà phân tích dữ liệuRequired for Data Analysts

Đầu tiên, nó rất cần thiết để hiểu những gì một nhà phân tích dữ liệu làm. Có nguy cơ nêu rõ sự rõ ràng - tất cả các nhà phân tích dữ liệu đều quan tâm đến dữ liệu. Họ sử dụng các công cụ kỹ thuật để phân tích thông qua số lượng lớn thông tin thô và phát triển những hiểu biết có ý nghĩa trong quá trình này. Các nhà phân tích dữ liệu cũng thường chịu trách nhiệm loại bỏ dữ liệu bị hỏng, xác định chất lượng dữ liệu và chuẩn bị báo cáo cho chủ nhân của họ. & NBSP; & NBSP;all data analysts are concerned with, well, data. They use technical tools to parse through large quantities of raw information and develop meaningful insights in the process. Data analysts are also often responsible for removing corrupted data, determining data quality, and preparing reports for their employer.  

Tất cả các nhiệm vụ này, như bạn có thể đã đoán, yêu cầu các nhà phân tích dữ liệu phải có một hộp công cụ kỹ thuật phát triển tốt. Dưới đây là một số ít để tập trung vào. & NBSP;

1. Trực quan hóa dữ liệu

Như thuật ngữ cho thấy, trực quan hóa dữ liệu là một người có khả năng trình bày kết quả dữ liệu thông qua đồ họa hoặc các minh họa khác. Mục đích của điều này rất đơn giản: nó tạo điều kiện cho sự hiểu biết tốt hơn về những hiểu biết dựa trên dữ liệu, ngay cả đối với những người được đào tạo trong phân tích dữ liệu. Với trực quan hóa dữ liệu, các nhà phân tích dữ liệu có thể giúp những người ra quyết định của doanh nghiệp (những người có thể thiếu đào tạo phân tích nâng cao) để xác định các mẫu và hiểu các ý tưởng phức tạp trong nháy mắt. Khả năng này trao quyền cho bạn-nhà phân tích dữ liệu-để hiểu rõ hơn về tình huống của công ty, truyền đạt những hiểu biết hữu ích cho các nhà lãnh đạo nhóm và thậm chí định hình việc ra quyết định của công ty để tốt hơn. & NBSP;

Trực quan hóa dữ liệu thậm chí có thể cho phép bạn thực hiện nhiều hơn các nhà phân tích dữ liệu theo truyền thống. Là một nhà văn cho SAS Insights Ghi chú, trực quan hóa dữ liệu sẽ thay đổi cách các nhà phân tích của chúng tôi làm việc với dữ liệu. Họ sẽ được dự kiến ​​sẽ trả lời các vấn đề nhanh hơn. Và họ sẽ cần có khả năng đào sâu hơn - nhìn vào dữ liệu khác nhau, tưởng tượng hơn. Trực quan hóa dữ liệu sẽ thúc đẩy thăm dò dữ liệu sáng tạo.writer for SAS Insights notes, “Data visualization is going to change the way our analysts work with data. They’re going to be expected to respond to issues more rapidly. And they’ll need to be able to dig for more insights — look at data differently, more imaginatively. Data visualization will promote creative data exploration.”

Đã, trực quan hóa dữ liệu đã trở thành một kỹ năng cần thiết. Theo một nghiên cứu gần đây được thực hiện bởi LinkedIn Learning, sinh viên tốt nghiệp gần đây có nhiều khả năng học các kỹ năng cứng khi lần đầu tiên vào lực lượng lao động. Và những kỹ năng cứng này xoay quanh việc phân tích dữ liệu và kể những câu chuyện với những hiểu biết lượm lặt được từ dữ liệu. Kỹ năng số một được báo cáo bởi những người tham gia? Bạn đoán nó: Trực quan hóa dữ liệu.study conducted by LinkedIn Learning, “recent graduates are much more likely to learn hard skills when they first enter the workforce. And these hard skills revolve around analyzing data and telling stories with insights gleaned from the data.” The number one skill reported by participants? You guessed it: data visualization.

2. Làm sạch dữ liệu

Như bất kỳ người hâm mộ Marie Kondo nào sẽ nói với bạn, việc làm sạch là một phần vô giá để đạt được thành công - và việc làm sạch dữ liệu cũng không khác! Nó là một trong những bước quan trọng nhất trong việc lắp ráp mô hình học máy chức năng và thường bao gồm một đoạn đáng kể của bất kỳ nhà phân tích dữ liệu nào. & NBSP;

Mặc dù chúng tôi thường nghĩ về các nhà khoa học dữ liệu dành phần lớn thời gian của họ với các thuật toán và mô hình ML, nhưng thực tế có phần khác nhau, nhà văn công nghệ của Ajay Sarangam lưu ý để đào tạo phân tích. Hầu hết các nhà khoa học dữ liệu dành khoảng 80 phần trăm dữ liệu làm sạch thời gian của họ. Tại sao? Bởi vì một sự thật đơn giản trong ML: Dữ liệu tốt hơn đánh bại các thuật toán fancier.notes for Analytics Training. “Most data scientists spend around 80 percent of their time cleaning data. Why? Because of a simple truth in ML: Better data beats fancier algorithms.”

Với một bộ dữ liệu được làm sạch đúng cách, ngay cả các thuật toán đơn giản cũng có thể tạo ra những hiểu biết đáng chú ý. Trên flipside, dữ liệu ô uế có thể tạo ra các mô hình sai lệch và dẫn dắt một doanh nghiệp hướng tới các kết luận sai lầm. Do sự cần thiết, trình độ phân tích dữ liệu yêu cầu kỹ năng làm sạch dữ liệu phù hợp - và không có hai cách nào xung quanh đó. & NBSP;

3. Matlab

MATLAB là một ngôn ngữ lập trình và môi trường điện toán số đa mô hình hỗ trợ thực hiện thuật toán, thao tác ma trận và vẽ sơ đồ dữ liệu, trong số các chức năng khác. Các doanh nghiệp quan tâm đến dữ liệu lớn đã bắt đầu chuyển sang MATLAB vì nó cho phép các nhà phân tích cắt giảm đáng kể thời gian họ thường dành dữ liệu trước xử lý và tạo điều kiện cho việc làm sạch dữ liệu, tổ chức và trực quan hóa nhanh chóng. Đáng chú ý nhất, MATLAB có thể thực hiện bất kỳ mô hình học máy nào được xây dựng trong môi trường của nó trên nhiều nền tảng. & NBSP; is a programming language and multi-paradigm numerical computing environment that supports algorithm implementation, matrix manipulations, and data plotting, among other functions. Businesses interested in big data have begun turning to MATLAB because it allows analysts to drastically cut down on the time they usually spend pre-processing data and facilitates quick data cleaning, organization, and visualization. Most notably, MATLAB can execute any machine learning models built in its environment across multiple platforms. 

Hiểu Matlab là một kỹ năng cần thiết cho các nhà phân tích dữ liệu mỗi se; Tuy nhiên, với các ứng dụng và tính hữu dụng rộng rãi của nó, có ít nhất sự hiểu biết làm việc về môi trường có thể thúc đẩy khả năng tiếp thị của bạn cho nhà tuyển dụng.

4. r

R là một trong những ngôn ngữ phổ biến và được sử dụng tốt nhất trong phân tích dữ liệu. Một cuộc thăm dò được thực hiện bởi Viện Kỹ sư Điện và Điện tử (IEEE) Tạp chí Chuyên nghiệp, Spectrum, đã phát hiện ra rằng R đứng thứ năm trong danh sách mười ngôn ngữ lập trình hàng đầu được sử dụng trong năm 2019. Cú pháp và cấu trúc R tựa được tạo ra để hỗ trợ công việc phân tích; Nó bao gồm một số lệnh tổ chức dữ liệu tích hợp, dễ sử dụng theo mặc định. Ngôn ngữ lập trình cũng thu hút các doanh nghiệp vì nó có thể xử lý số lượng dữ liệu phức tạp hoặc lớn. & NBSP;Spectrum, found that R ranked fifth in a list of the top ten programming languages used in 2019. R’s syntax and structure were created to support analytical work; it encompasses several built-in, easy-to-use data organization commands by default. The programming language also appeals to businesses because it can handle complex or large quantities of data. 

Với sự phổ biến và chức năng của nó, việc học R nên cao trong danh sách ưu tiên cho bất kỳ nhà phân tích dữ liệu đầy tham vọng nào.

5. Python

Tuy nhiên, việc học Python nên là ưu tiên hàng đầu của các nhà phân tích. Ngôn ngữ lập trình mục đích chung, cấp cao này đã đạt được vị trí số một trong Khảo sát Phổ 2019 của IEEE, và vì một lý do chính đáng-nó cung cấp một số lượng đáng chú ý các thư viện chuyên dụng, nhiều trong số đó liên quan đến trí tuệ nhân tạo (AI). & NBSP;the top priority for would-be analysts. This high-level, general purpose programming language landed the number one spot in IEEE’s Spectrum 2019 survey, and for a good reason — it offers a remarkable number of specialized libraries, many of which pertain specifically to artificial intelligence (AI). 

Khả năng ứng dụng của Python đối với sự phát triển của AI là đặc biệt quan trọng. Theo dữ liệu do Statista công bố, thị trường phần mềm AI đang trên đường tăng 154 % so với năm trước và đạt được chiều cao dự kiến ​​là 22,6 tỷ đô la vào cuối năm 2020. Hiểu Python là một nhà phân tích dữ liệu kỹ năng cần giữ hiện tại trong một Càng ngày càng quan tâm đến cảnh quan chuyên nghiệp. Những người quan tâm đến việc tiếp tục sự quen thuộc của họ về Python cũng nên xem xét các chương trình phụ trợ của nó như Pandas (một công cụ phân tích dữ liệu nguồn mở hoạt động trong sự cộng sinh với ngôn ngữ lập trình Python) hoặc Numpy, một gói hỗ trợ người dùng Python với các nhiệm vụ tính toán khoa học.grow 154 percent year-over-year and achieve a projected height of $22.6 billion by the end of 2020. Understanding Python is a skill data analysts need to keep current in an increasingly AI-concerned professional landscape. Those interested in furthering their familiarity of Python should also look into its ancillary programs such as Pandas (an open-source data analysis tool that works in symbiosis with Python’s programming language) or NumPy, a package which assists Python users with scientific computing tasks.

6. SQL và NOQL

Nếu bạn muốn đột nhập vào phân tích dữ liệu, có một số ngôn ngữ cơ sở dữ liệu mà bạn sẽ cần phải quen thuộc - nếu không thông thạo - ngay lập tức.

Đầu tiên và quan trọng nhất trong số này là ngôn ngữ truy vấn có cấu trúc, được biết đến nhiều hơn bằng từ viết tắt của nó, SQL. SQL có thể đã được tạo ra vào năm 1970, nhưng nó vẫn vô giá cho đến ngày nay. Trong các phân tích hiện đại, SQL vẫn tồn tại như là phương tiện tiêu chuẩn để truy vấn và xử lý dữ liệu trong cơ sở dữ liệu quan hệ. & NBSP;Structured Query Language, better known by its acronym, SQL. SQL might have been created in 1970, but it remains invaluable to this day. In modern analytics, SQL persists as the standard means for querying and handling data in relational databases. 

Điều này có vẻ trái ngược, cho rằng lĩnh vực phân tích đang ở trong tình trạng tăng trưởng và phát triển gần như liên tục. Nhà khoa học dữ liệu Josh Devlin tiếp cận sai lầm rõ ràng này trong một bài viết cho DataQuest, viết: Tại sao ai đó muốn có một công việc trong dữ liệu dành thời gian học ngôn ngữ ’cổ xưa này? Tại sao không dành tất cả thời gian của bạn để làm chủ Python/R, hoặc tập trung vào các kỹ năng phân tích dữ liệu sexyer, như Deep Learning, Scala và Spark? Trong khi biết các nguyên tắc cơ bản của một ngôn ngữ có mục đích chung hơn như Python hoặc R là rất quan trọng, việc bỏ qua SQL sẽ khiến việc có được một công việc trong dữ liệu khó khăn hơn nhiều.article for DataQuest, writing: “Why should someone who wants to get a job in data spend time learning this ‘ancient’ language? Why not spend all your time mastering Python/R, or focusing on ‘sexier’ data analyst skills, like Deep Learning, Scala, and Spark? While knowing the fundamentals of a more general-purpose language like Python or R is critical, ignoring SQL will make it much harder to get a job in data.” 

Anh ấy có một điểm. Sự thật là, SQL có chỗ đứng trong các công ty ở khắp mọi nơi. Chức năng và hiệu quả duy trì của nó đã giữ cho nhu cầu cao giữa các công ty, và mức độ phổ biến của nó cho thấy không có dấu hiệu giảm dần. Học SQL; Nếu không cho chức năng của nó, thì cho triển vọng công việc của bạn. Các phiên bản có thương hiệu của SQL như MySQL cung cấp các cơ hội để đạt được sự hiểu biết lớn hơn về các hệ thống quản lý cơ sở dữ liệu quan hệ. & NBSP;

Trên flipside, bạn cũng nên tập trung vào việc xây dựng năng khiếu của mình với cơ sở dữ liệu NoQuery. Như tên cho thấy, các hệ thống NoQuery don lồng tổ chức các bộ dữ liệu của họ dọc theo các dòng quan hệ của SQL. Theo định nghĩa này, các khung NoQuery có thể cấu trúc thông tin của họ một cách hiệu quả theo bất kỳ cách nào, với điều kiện phương thức này không phải là quan hệ. Như vậy, tất cả đều không thể chỉ ra bất kỳ cấu trúc nào là khung NoQuery tiêu chuẩn của Noql. Tuy nhiên, nếu bạn muốn có được kinh nghiệm trong các cấu trúc NoQuery, có thể rất hữu ích khi thử nghiệm một khung như MongoDB, tổ chức cơ sở dữ liệu của nó dọc theo hệ thống phân cấp linh hoạt thay vì quan hệ bảng.

7. Học máy

Mặc dù học máy không phải là một kỹ năng trong cách làm sạch dữ liệu hoặc học ngôn ngữ lập trình, nhưng việc hiểu nó có thể giúp bạn trở nên cạnh tranh trong lĩnh vực tuyển dụng phân tích dữ liệu. & NBSP;machine learning isn’t a skill in the way data cleaning or learning a programming language might be, understanding it can help you become competitive in the data analytics hiring field. 

Như đã đề cập trước đó, nghiên cứu Statista chỉ ra rằng trí tuệ nhân tạo và phân tích dự đoán bao gồm các lĩnh vực đầu tư quan trọng ngay bây giờ. Mặc dù không phải tất cả các nhà phân tích sẽ thấy mình làm việc trên các dự án học máy, nhưng có sự hiểu biết chung về các công cụ và khái niệm liên quan có thể mang lại cho bạn lợi thế đối với các đối thủ cạnh tranh trong quá trình tìm kiếm việc làm của bạn. & NBSP;

8. Đại số tuyến tính và tính toán

Khi nói đến phân tích dữ liệu, có các kỹ năng toán học tiên tiến là không thể thương lượng. Một số nhà phân tích dữ liệu thậm chí chọn chuyên ngành toán học hoặc thống kê trong những năm đại học của họ chỉ để hiểu rõ hơn về lý thuyết làm nền tảng cho thực hành phân tích trong thế giới thực! & NBSP;

Hai lĩnh vực cụ thể của nghiên cứu toán học tăng lên hàng đầu trong phân tích: đại số tuyến tính và tính toán. Đại số tuyến tính có các ứng dụng trong máy học và học sâu, nơi nó hỗ trợ các hoạt động vectơ, ma trận và tenxơ. Tính toán được sử dụng tương tự để xây dựng các chức năng khách quan/chi phí/tổn thất dạy các thuật toán để đạt được mục tiêu của họ. & NBSP;

Tuy nhiên, bạn có thể thấy rằng bạn không cần phải xây dựng một nền tảng lý thuyết mạnh mẽ trước khi theo đuổi các ứng dụng trong thế giới thực. Một số người trong Tech thực sự đề nghị theo dõi ngược lại.For example, in the 2019 article “Mathematics for Data Science”, Towards Data Science writer and data analyst Ibrahim Sharaf El Den advised taking a top-down approach.

Tìm hiểu cách viết mã, tìm hiểu cách sử dụng ngăn xếp Pydata (gấu trúc, sklearn, keras, v.v.), lấy tay các dự án xây dựng trong thế giới thực, sử dụng tài liệu thư viện và YouTube hoặc hướng dẫn trung bình, ông giải thích. Bạn có thể bắt đầu nhìn thấy bức tranh lớn hơn, chú ý bạn thiếu nền tảng lý thuyết, để thực sự hiểu cách các thuật toán đó hoạt động [[]] học toán sẽ có ý nghĩa hơn nhiều đối với bạn!

Điều đó nói rằng, không có một cách chính xác nào để trở thành một nhà khoa học dữ liệu. Khám phá và tìm một con đường giáo dục phù hợp với bạn!

9. Microsoft Excel

Nhấn mạnh tầm quan trọng của các kỹ năng Microsoft Excel gần như có vẻ buồn cười khi người ta xem xét các nhà phân tích dữ liệu công nghệ tiên tiến hơn đáng kể theo ý của họ. Để mượn một trích dẫn từ nhà văn kinh doanh Ailen Anne Walsh, đề cập đến Excel cho các kỹ thuật viên, và nó thường bị loại bỏ với một tiếng ngửi. '& NBSP;borrow a quote from Irish business writer Anne Walsh, “Mention Excel to techies, and it’s often dismissed with a sniff.” 

Và nó thật sự - Excel là cồng kềnh so với các nền tảng khác. Tuy nhiên, nền tảng bảng tính Workhorse của Microsoft được sử dụng bởi ước tính 750 triệu người trên toàn thế giới. Thuật ngữ các kỹ năng Excel Excel thường xuất hiện trong phần Trình độ chuyên môn cho các công việc được đăng trên các dịch vụ tuyển dụng như thực sự hoặc Monster. Đối với tất cả các khả năng Fi Fi rõ ràng của nó, Excel được sử dụng tốt trong các doanh nghiệp. & NBSP;750 million people worldwide. The term “Excel skills” frequently appears under the qualifications section for jobs posted on hiring services like Indeed or Monster. For all its apparent low-fi capabilities, Excel is well-used among businesses. 

Hơn nữa, Excel, tốt, Excels đang tự động hóa một số tính năng và lệnh để phân tích dữ liệu tốt hơn. Excel có ngôn ngữ lập trình riêng, VBA, nó sử dụng để tạo ra các macro hoặc các lệnh được ghi trước. Khi được triển khai chính xác, VBA có thể tiết kiệm các nhà phân tích của con người rất nhiều thời gian cho các dự án thường xuyên, được thực hiện thường xuyên như kế toán, bảng lương hoặc quản lý dự án. Microsoft cũng đã phát triển công cụ phân tích của mình với mô hình thống kê và phân tích dữ liệu trong tâm trí. Như trung tâm trợ giúp của công ty giải thích, bạn cung cấp dữ liệu và tham số cho mỗi phân tích và công cụ sử dụng các chức năng vĩ mô thống kê hoặc kỹ thuật thích hợp để tính toán và hiển thị kết quả trong bảng đầu ra. Một số công cụ tạo ra các biểu đồ ngoài các bảng đầu ra.excels is automating certain features and commands for better data analysis. Excel has its own programming language, VBA, which it uses to create macros, or pre-recorded commands. When deployed correctly, VBA can save human analysts a lot of time on frequently-performed, repetitive projects such as accounting, payroll, or project management. Microsoft also developed its Analysis ToolPak with statistical modeling and data analysis in mind. As the company’s help center explains, “You provide the data and parameters for each analysis, and the tool uses the appropriate statistical or engineering macro functions to calculate and display the results in an output table. Some tools generate charts in addition to output tables.”

Nếu bạn quan tâm đến việc tìm hiểu thêm về các kỹ năng kỹ thuật mà bạn cần để tiếp tục sự nghiệp phân tích dữ liệu, hãy xem Camp Dữ liệu Kỹ thuật Columbia.

Phần 2: Kỹ năng mềm chính & NBSP; Các nhà phân tích dữ liệu cầnData Analysts Need

Tất cả các kỹ năng kỹ thuật trên được yêu cầu cho các nhà phân tích dữ liệu - nhưng chỉ riêng tài năng kỹ thuật đã giành được một sự nghiệp thành công. Bạn có thể là một nhà phân tích dữ liệu xuất sắc trên giấy và vẫn chưa bao giờ được thuê. Lý do rất đơn giản: Khả năng kỹ thuật không phải là tất cả các nhà phân tích dữ liệu tham vọng. Có một số nhà phân tích dữ liệu kỹ năng nhẹ nhàng hơn, không thuộc ngành cần thiết để thành công. Có quá nhiều thứ để liệt kê trong phần này một cách dễ dàng, vì vậy chúng tôi sẽ tập trung vào hai kỹ năng cần thiết: tư duy phê phán và giao tiếp. & NBSP;

10. Tư duy phê phán & NBSP;

Nó không đủ để xem xét dữ liệu; Bạn cần phải hiểu nó và mở rộng ý nghĩa của nó ngoài các con số một mình. Là một nhà tư tưởng quan trọng, bạn có thể nghĩ bằng phân tích về dữ liệu, xác định các mẫu và trích xuất những hiểu biết và thông tin có thể hành động từ thông tin bạn có trong tay. Nó đòi hỏi bạn phải vượt lên trên và áp dụng bản thân vào suy nghĩ, trái ngược với chỉ xử lý. & NBSP;understand it and expand its implications beyond the numbers alone. As a critical thinker, you can think analytically about data, identifying patterns and extracting actionable insights and information from the information you have at hand. It requires you to go above and beyond and apply yourself to thinking, as opposed to only processing. 

Trở thành một nhà tư tưởng phê phán có thể khó khăn, nhưng bạn có thể trau dồi những kỹ năng như vậy bằng cách thử thách bản thân. Lần tới khi bạn thấy mình phải đối mặt với một nhiệm vụ hoặc bài tập phân tích, hãy cố gắng suy nghĩ - ý nghĩa đằng sau mô hình bạn thấy là gì? Dữ liệu nói gì về những gì đã được thực hiện? Nó chỉ ra những thiếu sót nào? Don Tiết bỏ qua tầm quan trọng của việc mài giũa kỹ năng tư duy phê phán của bạn khi bạn chuẩn bị cho sự nghiệp phân tích dữ liệu. & NBSP;

11. Giao tiếp

Vào cuối ngày, bạn cần có khả năng giải thích những phát hiện của mình cho người khác. Không có vấn đề gì nếu bạn là nhà phân tích dữ liệu sâu sắc, tài năng nhất trên hành tinh - nếu bạn có thể truyền đạt các mô hình mà bạn nhìn thấy cho những người không có chuyên môn kỹ thuật, bạn đã giảm. & NBSP;

Trở thành một nhà phân tích dữ liệu tốt một cách hiệu quả có nghĩa là trở thành người song ngữ. Bạn nên có khả năng giải quyết các điểm kỹ thuật cao với các đồng nghiệp được đào tạo của bạn, cũng như cung cấp các giải thích rõ ràng, cấp cao theo cách hỗ trợ-thay vì nhầm lẫn-những người ra quyết định tập trung vào doanh nghiệp. Nếu bạn có thể làm như vậy, bạn vẫn có thể cần xây dựng bộ kỹ năng của mình như một nhà phân tích dữ liệu. & NBSP;

Khám phá các lựa chọn của bạn!

Phân tích dữ liệu có thể là nghề nghiệp cho bạn, nhưng để thành công trong lĩnh vực này, bạn cần đạt được các kỹ năng cần thiết. Khám phá các cơ hội học tập gần bạn; Phân tích thông qua bằng đại học có sẵn và các chương trình thạc sĩ. Nếu bạn đang tìm kiếm một giải pháp nhanh hơn và khả thi hơn về mặt tài chính, hãy xem xét việc đăng ký vào trại khởi động phân tích dữ liệu! Những lựa chọn giáo dục nhiều tuần này cung cấp cho người học một cơ hội để có được một nền tảng kỹ lưỡng trong ngành học công nghệ mà họ lựa chọn ở mức giá hợp lý. & NBSP;

Khám phá các cơ hội giáo dục của bạn và bắt đầu phát triển một nền tảng vững chắc của các kỹ năng phân tích dữ liệu. Một thế giới phân tích dữ liệu đang chờ đợi! & Nbsp;

Xem xét thông tin được cung cấp trước đây.

* chỉ ra trường bắt buộc.

Họ *

Họ *

Địa chỉ email *

Trình độ học vấn cao nhất *

Cái nào mô tả tốt nhất mục tiêu của bạn? *

Lĩnh vực nào bạn có quan tâm nhất? *

Kinh nghiệm trong lĩnh vực này? *

Bạn muốn bắt đầu sớm như thế nào? *

Đoàn hệ thống/chương trình *

EDX Boot Camps là một phần của 2U Inc., công ty mẹ của EDX. EDX cung cấp các chương trình giáo dục trên các lĩnh vực nghiên cứu khác nhau, bao gồm cả các đối tác giáo dục, công ty và phi lợi nhuận. Vui lòng gửi email cho tôi về EDX.

Bằng cách gửi biểu mẫu này, bạn đồng ý rằng các trại khởi động EDX, hợp tác với các trại khởi động của Columbia Engineering, có thể liên hệ với bạn về trại khởi động này. Dữ liệu cá nhân của bạn sẽ được sử dụng như được mô tả trong chính sách bảo mật của chúng tôi. Bạn có thể từ chối nhận thông tin liên lạc bất cứ lúc nào.

Không phải ****@domain.com? Chia sẻ một số thông tin để có được quyền truy cập độc quyền vào các bài viết của chúng tôi.****@domain.com ?
Share some information to gain exclusive access to our articles.

Kỹ năng Python nào là cần thiết cho nhà phân tích dữ liệu?

Tôi cần biết gì trong Python để phân tích dữ liệu?

3 kỹ năng nào có liên quan đến phân tích dữ liệu?

Phân tích dữ liệu cần những kỹ năng nào?