WEBVTT

00:00:00.000 --> 00:00:02.580
>> Ciao a tutti. Mi chiamo Sarah.

00:00:02.580 --> 00:00:04.905
>> Ciao. Mi chiamo Francesca.

00:00:04.905 --> 00:00:07.575
>> Questo è gli sviluppatori
Introduzione all'analisi scientifica dei dati.

00:00:07.575 --> 00:00:09.090
In questo video, andremo a

00:00:09.090 --> 00:00:10.710
dirvi un po'
su chi siamo,

00:00:10.710 --> 00:00:14.580
chi si potrebbe essere, e ciò che il
l'obiettivo di questa serie di video è.

00:00:14.580 --> 00:00:16.425
Mi chiamo Sarah Guthals.

00:00:16.425 --> 00:00:18.855
Sono un programma principale
Manager presso Microsoft.

00:00:18.855 --> 00:00:21.150
Sono ossessionato dall'insegnamento
e la tecnologia di apprendimento,

00:00:21.150 --> 00:00:23.985
se questo sia per i bambini di apprendimento
per codificare per la prima volta,

00:00:23.985 --> 00:00:27.025
o gli sviluppatori che sono
interessati all'analisi scientifica dei dati.

00:00:27.025 --> 00:00:29.660
Vado a Disneyland
ogni volta che posso.

00:00:29.660 --> 00:00:32.945
Sono un coniuge e una madre
ad un bambino a due zampe,

00:00:32.945 --> 00:00:35.300
e quattro bambini a quattro zampe,

00:00:35.300 --> 00:00:36.770
due gatti e due cani.

00:00:36.770 --> 00:00:39.130
Il posto migliore per trovare
me è su Twitter.

00:00:39.130 --> 00:00:42.815
>> Ciao a tutti. Il mio nome
è Francesca Lazzeri.

00:00:42.815 --> 00:00:45.200
Sono un sostenitore del cloud
presso Microsoft and I

00:00:45.200 --> 00:00:48.605
guidare un team di Sostenitori Cloud
e data scientist.

00:00:48.605 --> 00:00:51.260
Sono innamorato dell'apprendimento automatico

00:00:51.260 --> 00:00:54.020
e la ricerca operativa
da quando ero bambino,

00:00:54.020 --> 00:00:57.140
ma sono anche innamorato
con l'arte e la musica jazz.

00:00:57.140 --> 00:00:59.845
Il modo migliore per trovare
me è su Twitter.

00:00:59.845 --> 00:01:01.670
>> Per questa serie di video,

00:01:01.670 --> 00:01:04.070
Sarò in rappresentanza
lo sviluppatore che conosce

00:01:04.070 --> 00:01:07.085
che i dati sono importanti, ma ha
nessun indizio su come iniziare,

00:01:07.085 --> 00:01:09.230
che non è lontano dalla verità.

00:01:09.230 --> 00:01:11.930
>> Sarei la macchina
scienziato dell'apprendimento.

00:01:11.930 --> 00:01:14.355
Chi conosce i dati
è molto importante,

00:01:14.355 --> 00:01:17.695
e in realtà sa
come iniziare.

00:01:17.695 --> 00:01:21.035
Questo corso è per te.

00:01:21.035 --> 00:01:24.230
Se avete già un po' di
un po' di esperienza nella codifica,

00:01:24.230 --> 00:01:26.150
in linguaggi di programmazione basati su testo

00:01:26.150 --> 00:01:28.895
come il Python,
JavaScript, o C.

00:01:28.895 --> 00:01:32.210
Se si ha esperienza come
uno sviluppatore, ad esempio,

00:01:32.210 --> 00:01:35.120
se hai creato qualsiasi app
dall'inizio alla fine,

00:01:35.120 --> 00:01:38.475
o se si dispone di un
corso di programmazione o boot camp.

00:01:38.475 --> 00:01:40.970
La cosa più importante è che se
stai davvero cercando

00:01:40.970 --> 00:01:43.625
avanti per iniziare
con l'analisi scientifica dei dati.

00:01:43.625 --> 00:01:46.099
Ad esempio, se si collabora

00:01:46.099 --> 00:01:48.650
con data scientist ci
nel vostro lavoro di tutti i giorni,

00:01:48.650 --> 00:01:51.845
se si vuole diventare un dato
scienziato in futuro,

00:01:51.845 --> 00:01:54.260
e anche se si deve

00:01:54.260 --> 00:01:57.230
rendere un dato informato
decisioni per il vostro lavoro.

00:01:57.230 --> 00:02:00.950
Per questa serie, abbiamo
alcuni obiettivi in mente.

00:02:00.950 --> 00:02:02.900
Prima di tutto, siamo
intenzione di spiegare

00:02:02.900 --> 00:02:05.225
perché l'analisi scientifica dei dati è così importante.

00:02:05.225 --> 00:02:09.155
Lo faremo spiegando
che cos'è l'analisi scientifica dei dati,

00:02:09.155 --> 00:02:11.165
come si può essere coinvolti,

00:02:11.165 --> 00:02:13.355
come può aiutare lo sviluppo.

00:02:13.355 --> 00:02:16.925
Allora ti spiegheremo
come si può fare data science.

00:02:16.925 --> 00:02:18.650
Spiegheremo
come si può

00:02:18.650 --> 00:02:20.630
esplorare e preparare i dati,

00:02:20.630 --> 00:02:22.610
e come si può elevare a

00:02:22.610 --> 00:02:25.190
utilizzare una macchina diversa
algoritmi di apprendimento.

00:02:25.190 --> 00:02:28.700
Infine, stiamo andando a concludere
spiegando come rimanere

00:02:28.700 --> 00:02:30.395
etico con il vostro end-to-end

00:02:30.395 --> 00:02:33.085
apprendimento automatico e
soluzioni di data science.

00:02:33.085 --> 00:02:34.880
>> Come si può vedere, abbiamo un sacco di

00:02:34.880 --> 00:02:36.860
argomenti da trattare in questa serie di video.

00:02:36.860 --> 00:02:39.200
Inizieremo con
che la spiegazione di alto livello

00:02:39.200 --> 00:02:41.565
dell'analisi scientifica dei dati e delle macchine
algoritmi di apprendimento,

00:02:41.565 --> 00:02:43.070
saltare nel codice VS,

00:02:43.070 --> 00:02:45.560
che si potrebbe essere familiare
come sviluppatore,

00:02:45.560 --> 00:02:48.064
passare al
Area di lavoro di Machine Learning

00:02:48.064 --> 00:02:49.615
all'interno del portale di Azure,

00:02:49.615 --> 00:02:52.370
e finirlo non solo con
la discussione sull'etica,

00:02:52.370 --> 00:02:56.015
ma come integrare praticamente
l'etica nella vostra soluzione.

00:02:56.015 --> 00:02:59.345
Abbiamo sicuramente un sacco di
risorse utili per voi.

00:02:59.345 --> 00:03:02.060
Tutti questi sono collegati verso il basso
nella descrizione qui sotto.

00:03:02.060 --> 00:03:05.090
Il repository GitHub ha tutte le
del codice che stiamo andando a

00:03:05.090 --> 00:03:06.500
scrivere in tutta questa serie in modo

00:03:06.500 --> 00:03:08.540
si può provare fuori
da soli a casa.

00:03:08.540 --> 00:03:11.210
Abbiamo anche un
raccolta su Microsoft

00:03:11.210 --> 00:03:13.880
imparare con alcuni dei nostri
moduli di apprendimento preferiti,

00:03:13.880 --> 00:03:15.685
se vuoi continuare a imparare.

00:03:15.685 --> 00:03:18.920
Abbiamo solo un numero
di fogli di trucco, documenti,

00:03:18.920 --> 00:03:20.630
e imparare i moduli che pensiamo siano

00:03:20.630 --> 00:03:22.595
più importante per questa serie di video.

00:03:22.595 --> 00:03:26.790
Assicurati di controllarli
prima, durante e dopo.