Für Benutzer, die gerade erst mit der Datenwissenschaft beginnen, kann das Angebot an Programmiersprachen überwältigend sein. Welche Sprache sollten Sie also zuerst lernen? In diesem Modul lernen Sie die Kriterien kennen, die darüber entscheiden, welche Sprache Sie lernen sollten. Sie werden die Vorteile von Python, R, SQL und anderen gängigen Sprachen wie Java, Scala, C++, JavaScript und Julia kennenlernen. Sie werden untersuchen, wie Sie diese Sprachen in der Datenwissenschaft einsetzen können. Sie werden sich auch einige Websites ansehen, um mehr Informationen über die Sprachen zu finden.

In diesem Modul lernen Sie die verschiedenen Bibliotheken in der Datenwissenschaft kennen. Darüber hinaus werden Sie eine API in Bezug auf REST-Anfrage und -Antwort verstehen. Außerdem werden Sie in diesem Modul offene Datensätze auf dem Data Asset eXchange erkunden. Schließlich lernen Sie, wie Sie ein Modell für maschinelles Lernen verwenden, um ein Problem zu lösen und in Model Asset eXchange zu navigieren.

Mit dem Vormarsch digitaler Daten ermöglicht es Jupyter Notebook einem Datenwissenschaftler, seine Datenexperimente und -ergebnisse aufzuzeichnen, die andere wiederverwenden können. Dieses Modul stellt das Jupyter Notebook und Jupyter Lab vor. Sie lernen, wie Sie mit verschiedenen Kernels in einer Notebook-Sitzung arbeiten und die grundlegende Jupyter-Architektur kennen. Darüber hinaus lernen Sie die Werkzeuge in einer Anaconda Jupyter-Umgebung kennen. Schließlich gibt das Modul einen Überblick über cloudbasierte Jupyter-Umgebungen und deren Data Science-Funktionen.

R ist eine statistische Programmiersprache und ein leistungsstarkes Werkzeug für die Datenverarbeitung und -manipulation. Dieses Modul beginnt mit einer Einführung in R und RStudio. Sie lernen die verschiedenen R-Visualisierungspakete kennen und erfahren, wie Sie mit der Plot-Funktion visuelle Diagramme erstellen können. Darüber hinaus haben sich verteilte Versionskontrollsysteme (DVCS) zu wichtigen Werkzeugen in der Softwareentwicklung entwickelt und sind der Schlüssel zu sozialer und kollaborativer Codierung. Es gibt zwar viele verteilte Versionskontrollsysteme, aber Git ist eines der beliebtesten. Im weiteren Verlauf des Moduls werden Sie die wesentlichen konzeptionellen und praktischen Fähigkeiten für die Arbeit mit Git und GitHub entwickeln. Sie beginnen mit einem Überblick über Git und GitHub. Anschließend erstellen Sie ein GitHub-Konto und ein Projekt-Repository, fügen Dateien hinzu und übertragen Ihre Änderungen über die Weboberfläche. Als Nächstes machen Sie sich mit den Git-Workflows vertraut, die Zweige, Pull Requests (PRs) und Merges umfassen. Am Ende des Kurses werden Sie auch ein Projekt abschließen, um Ihre neu erworbenen Fähigkeiten anzuwenden und zu demonstrieren.

In diesem Modul werden Sie an einem Abschlussprojekt arbeiten, um einige der im Kurs erlernten Fähigkeiten zu demonstrieren. Außerdem werden Sie auf Ihr Wissen über die verschiedenen Komponenten und Werkzeuge des Werkzeugkastens eines Data Scientist getestet, das Sie in den vorherigen Modulen erworben haben.

Watson Studio ist eine kollaborative Plattform für die Data-Science-Community und wird von Datenanalysten, Data Scientists, Data Engineers, Entwicklern und Data Stewards verwendet, um Daten zu analysieren und Modelle zu erstellen. In diesem Modul erfahren Sie mehr über Watson Studio und IBM Cloud Pak für Daten als Service. Anschließend erstellen Sie einen IBM Watson Studio Service und ein Projekt in Watson Studio. Nachdem Sie das Projekt erstellt haben, erstellen Sie ein Jupyter-Notebook und laden eine Datendatei. Sie werden auch die verschiedenen Vorlagen und Kernel in einem Jupyter-Notebook erkunden. Schließlich verbinden Sie Ihr Watson Studio-Konto mit GitHub und veröffentlichen das Notizbuch in GitHub. Hinweis: Dieser Teil des Kurses ist optional und keine zwingende Voraussetzung für die Durchführung des in dieser Kurswoche angebotenen Praktikums.