Casa Finanza personale Guardando le basi delle statistiche, l'apprendimento automatico e i metodi matematici nella scienza dei dati - Instructions for Dummies

Guardando le basi delle statistiche, l'apprendimento automatico e i metodi matematici nella scienza dei dati - Instructions for Dummies

Sommario:

Video: Un mensaje extraterrestre desde el futuro. Entrevista a Ricardo González 2025

Video: Un mensaje extraterrestre desde el futuro. Entrevista a Ricardo González 2025
Anonim

Parte di Data Science For Dummies Cheat Sheet > Se le statistiche sono state descritte come la scienza di ricavare intuizioni dai dati, allora qual è la differenza tra uno statistico e uno scienziato di dati? Buona domanda! Mentre molti compiti nella scienza dei dati richiedono un bel po 'di know how statistico, la portata e l'ampiezza della conoscenza e della base di competenze di uno scienziato di dati sono distinte da quelle di uno statistico. Le principali distinzioni sono descritte di seguito.

Competenza in materia:
  • Una delle caratteristiche principali degli scienziati di dati è che offrono un sofisticato livello di competenza nell'area in cui applicano i loro metodi analitici. Gli scienziati dei dati hanno bisogno di questo in modo che siano in grado di comprendere veramente le implicazioni e le applicazioni delle informazioni di dati che generano. Uno scienziato dei dati dovrebbe avere sufficiente esperienza in materia per essere in grado di identificare il significato delle loro scoperte e decidere autonomamente come procedere nell'analisi.

    Al contrario, gli statistici di solito hanno una conoscenza incredibilmente profonda delle statistiche, ma pochissime competenze in materia a cui applicano metodi statistici. Nella maggior parte dei casi, gli esperti di statistica sono tenuti a consultarsi con esperti esterni per ottenere una solida comprensione del significato delle loro scoperte e per essere in grado di decidere il modo migliore per andare avanti in un'analisi.

    Approcci matematici e di apprendimento automatico:
  • Gli statistici si basano principalmente su metodi e processi statistici quando ricavano informazioni dai dati. Al contrario, gli scienziati dei dati devono estrarre da una vasta gamma di tecniche per ricavare informazioni dettagliate. Questi includono metodi statistici, ma includono anche approcci che non sono basati su statistiche - come quelli trovati in matematica, clustering, classificazione e approcci di apprendimento automatico non statistico. Vedendo l'importanza del know-how statistico

Non è necessario uscire e ottenere una laurea in statistica per praticare la scienza dei dati, ma almeno si dovrebbe familiarizzare con alcuni dei metodi più fondamentali che vengono utilizzati nell'analisi statistica dei dati. Questi includono:

Regressione lineare

  • : la regressione lineare è utile per modellare le relazioni tra una variabile dipendente e una o più variabili indipendenti. Lo scopo della regressione lineare è scoprire (e quantificare la forza di) importanti correlazioni tra variabili dipendenti e indipendenti. Analisi delle serie temporali:

  • L'analisi delle serie temporali prevede l'analisi di una raccolta di dati sui valori degli attributi nel tempo, al fine di prevedere le istanze future della misura sulla base dei dati osservativi passati. Simulazioni Monte Carlo:

  • Il metodo Monte Carlo è una tecnica di simulazione che è possibile utilizzare per testare ipotesi, generare stime di parametri, prevedere gli esiti dello scenario e convalidare modelli. Il metodo è potente perché può essere utilizzato per simulare molto rapidamente ovunque da 1 a 10, 000 (o più) campioni di simulazione per qualsiasi processo che si sta tentando di valutare. Statistiche per i dati spaziali:

  • Una proprietà fondamentale e fondamentale dei dati spaziali è che non è casuale. È dipendente spazialmente e autocorrelato. Quando si modellano i dati spaziali, evitare i metodi statistici che presuppongono che i dati siano casuali. Kriging e krige sono due metodi statistici che puoi usare per modellare i dati spaziali. Questi metodi consentono di produrre superfici predittive per intere aree di studio basate su insiemi di punti noti nello spazio geografico. Lavorare con i metodi di clustering, classificazione e machine learning

L'apprendimento automatico è l'applicazione di algoritmi computazionali per imparare da (o dedurre pattern in) set di dati grezzi.

Il clustering è un particolare tipo di apprendimento automatico - non controllato apprendimento automatico, per essere precisi, il che significa che gli algoritmi devono imparare dai dati senza etichetta e, in quanto tali, devono utilizzare metodi inferenziali per scoprire correlazioni. La classificazione, d'altra parte, si chiama apprendimento macchina supervisionato, il che significa che gli algoritmi apprendono dai dati etichettati. Le seguenti descrizioni introducono alcuni dei più basilari approcci di clustering e classificazione: k-means clustering:

  • Generalmente si utilizzano algoritmi k-means per suddividere i punti dati di un set di dati in cluster basati sui valori medi più vicini. Per determinare la divisione ottimale dei punti dati in cluster, in modo tale che la distanza tra i punti in ciascun cluster sia ridotta al minimo, è possibile utilizzare il clustering di k-means. Algoritmi adiacenti più vicini:

  • Lo scopo di un'analisi di vicinato più vicino è cercare e localizzare un punto nello spazio o un valore numerico più vicino, a seconda dell'attributo che si utilizza come base di confronto. Stima della densità del kernel:

  • Un modo alternativo per identificare i cluster nei dati consiste nell'utilizzare una funzione di livellamento della densità. La stima della densità del kernel (KDE) funziona posizionando un kernel una funzione di ponderazione utile per quantificare la densità - su ogni punto di dati nel set di dati, quindi sommando i kernel per generare una stima della densità del kernel per l'intero regione. Mantenere metodi matematici nel mix

Viene detto molto sul valore delle statistiche nella pratica della scienza dei dati, ma i metodi matematici applicati vengono raramente menzionati. Per essere sinceri, la matematica è la base di tutte le analisi quantitative. La sua importanza non dovrebbe essere sottovalutata. I due seguenti metodi matematici sono particolarmente utili nella scienza dei dati.

Decisione multi-criterio (MCDM):

  • MCDM è un approccio di modellizzazione decisionale matematico che puoi utilizzare quando hai diversi criteri o alternative che devi valutare contemporaneamente quando prendi una decisione. Catene di Markov

  • : Una catena di Markov è un metodo matematico che concatena una serie di variabili generate casualmente che rappresentano lo stato presente al fine di modellare come i cambiamenti nelle variabili dello stato attuale influenzano gli stati futuri.

Guardando le basi delle statistiche, l'apprendimento automatico e i metodi matematici nella scienza dei dati - Instructions for Dummies

Scelta dell'editore

Il programma in cinque passaggi per superare la menopausa - dummy

Il programma in cinque passaggi per superare la menopausa - dummy

Alcune donne capiscono a malapena che la menopausa è loro. Altre donne, tuttavia, sono meno fortunate. Se sei uno di questi, prendi in mano questi pochi modi per rendere la tua esperienza più facile per te stesso: capisci e accetta che stai attraversando una transizione naturale, proprio come la pubertà. Fortunatamente, sei più vecchio e più saggio di te ...

Menopausa For Dummies Cheat Sheet (edizione UK) - dummies

Menopausa For Dummies Cheat Sheet (edizione UK) - dummies

Menopausa segna la fine della fase riproduttiva della tua vita e così è un momento significativo di cambiamento fisico, emotivo e mentale per molte donne ma, per generazioni, donne di tutte le età hanno vagato alla cieca in menopausa senza sapere cosa aspettarsi. Qui puoi scoprire alcune delle nozioni di base.

Perimenopausa: facilitare la transizione dalle mestruazioni alla menopausa - manichini

Perimenopausa: facilitare la transizione dalle mestruazioni alla menopausa - manichini

Mestruazioni e menopausa sono ben noti biologici pietre miliari nella vita di una femmina. Contrariamente al pensiero popolare, la menopausa non è il periodo di mesi o anni in cui una donna sta "attraversando il cambiamento". "Questo lasso di tempo è chiamato perimenopausa. La menopausa è una data effettiva nel tempo. In particolare, è il 12 ° anniversario dell'ultimo ciclo mestruale di una donna. ...

Scelta dell'editore

Come utilizzare il filtro automatico personalizzato su una tabella di Excel - dummies

Come utilizzare il filtro automatico personalizzato su una tabella di Excel - dummies

È Possibile creare un filtro automatico personalizzato . Per fare ciò, seleziona il comando Filtro testo dal menu della tabella e scegli una delle opzioni di filtro del testo. Indipendentemente dall'opzione di filtro del testo selezionata, Excel visualizza la finestra di dialogo Filtro automatico personalizzato. Questa finestra di dialogo consente di specificare con estrema precisione quali record si desidera ...

Come utilizzare la funzione DPRODUCT in un database Excel - dummies

Come utilizzare la funzione DPRODUCT in un database Excel - dummies

DPRODUCT moltiplica i valori che corrispondono al criterio in un database Excel. Questo è potente ma anche in grado di produrre risultati che non sono l'intenzione. In altre parole, è una cosa da aggiungere e ricavare una somma. Questa è un'operazione comune su un set di dati. Osservando la seguente figura, è possibile ...

Come utilizzare la funzione DPRODUCT in Excel - dummy

Come utilizzare la funzione DPRODUCT in Excel - dummy

La funzione DPRODUCT in Excel è strana. La funzione DPRODUCT moltiplica i valori nei campi da un elenco di database in base ai criteri di selezione. Perché vorresti farlo? Chissà. La funzione utilizza la sintassi = DPRODUCT (database, campo, criteri) in cui il database è un riferimento all'intervallo alla tabella di Excel che contiene il valore desiderato ...

Scelta dell'editore

Programmazione con Java: riutilizzo dei nomi nella tua app per Android - dummies

Programmazione con Java: riutilizzo dei nomi nella tua app per Android - dummies

Ci sono un paio di cose a cui vuoi pensare quando riutilizzi i nomi nella tua app per Android. È possibile dichiarare due variabili Java - bag1 e bag2 - per fare riferimento a due diversi oggetti BagOfCheese. Va bene. Ma a volte, avere solo una variabile e riutilizzarla per il secondo oggetto funziona altrettanto bene, ...

Java: Mettere a frutto l'uso della classe - dummies

Java: Mettere a frutto l'uso della classe - dummies

La classe Employee nell'elenco non ha alcun metodo principale , quindi non c'è un punto di partenza per l'esecuzione del codice. Per risolvere questo problema, il programmatore scrive un programma separato con un metodo principale e utilizza tale programma per creare istanze Employee. Questo elenco di codici mostra una classe con un metodo principale - uno che inserisce il ...

Classi wrapper java - dummies

Classi wrapper java - dummies

La differenza tra tipi primitivi e tipi di riferimento è una delle funzionalità più controverse di Java e gli sviluppatori si lamentano spesso sulle differenze tra valori primitivi e valori di riferimento. Ogni tipo primitivo viene cotto nella lingua. Java ha otto tipi primitivi. Ogni tipo di riferimento è una classe o un'interfaccia. È possibile definire il proprio ...