https://sellio.store/pl/page/78/     https://fashionetta.org/pl/page/78/     https://home-partner.org/pl/page/78/     https://car-paradise.org/pl/page/78/     https://car-accessories.net/pl/page/78/     https://modeo-shop.com/pl/page/78/     https://wibratory.net/pl/page/78/     https://etui-empire.com/pl/page/78/     https://e-papierosy.org/pl/page/78/     https://ero-land.org/pl/page/78/     https://lampy-sklep.com/pl/page/78/     https://desteo.org/pl/page/78/     https://shopara.org/pl/page/78/     https://shopme-online.org/pl/page/78/     https://shopinio.org/pl/page/78/     https://shopopolis.org/pl/page/78/     https://shoporama.org/pl/page/78/     https://desuto.org/pl/page/78/     https://shopsy-online.org/pl/page/78/     https://e-shopsy.org/pl/page/78/     https://vandershop.net/pl/page/78/    https://desuto.org/pl/    https://catalog-info.com/    https://webbing.info/en/

websites-info.com

Kolejna witryna oparta na WordPressie

Najlepsze praktyki w dziedzinie nauki o danych – DATAVERSITY

Reklama

Jeśli nauka o danych jest wykonywana prawidłowo, przynosi wiele wymiernych korzyści, takich jak ulepszone produkty i usługi, lepsze doświadczenia klientów, wzrost sprzedaży, nowe kanały rozwoju biznesu i ogólna wydajność

firmy.

Jednakże, według najbardziej wiarygodnych publikacji branżowych, większość projektów Data Science kończy się niepowodzeniem, ponieważ nie są przestrzegane najlepsze praktyki Data Science.

Dlaczego firmy potrzebują najlepszych praktyk Data Science?

Prostą odpowiedzią jest to, że najlepsze praktyki Data Science wypełniają lukę pomiędzy oczekiwaniami wobec projektu Data Science a jego rzeczywistością. Główne powody, dla których istnieje tak duża luka pomiędzy oczekiwaniami a rzeczywistością to

  • Brak jasno zdefiniowanego problemu
  • Niezdolność do znalezienia rozwiązania
  • Niezdolność do przekształcenia spostrzeżeń opartych na danych w działania
  • Brak przeglądu kodu

Jeszcze w 2018 r., omawiając perspektywy wdrożenia AI w globalnych przedsiębiorstwach, Gartner wskazał

:

  • Większość organizacji nie była przygotowana na AI i nie posiadała wewnętrznej wiedzy z zakresu Data Science
  • W latach 2018-2022 85% projektów AI prawdopodobnie zakończy się niepowodzeniem z powodu „uprzedzeń w danych, algorytmach lub zespołach za nie odpowiedzialnych”.
  • 53% organizacji biorących udział w badaniu CIO „oceniło swoją zdolność do wydobywania i wykorzystywania danych jako ograniczoną”.

To właśnie tutaj pojawiają się najlepsze praktyki Data Science. Te najlepsze praktyki można zdefiniować jako zbiór zasad lub wytycznych, które mogą pomóc projektom Data Science odnieść sukces, nawet jeśli członkowie zespołu nie są tak wykwalifikowani lub jakość danych jest podejrzana. Webinarium zatytułowane Jak uniknąć 10 błędów w analizie dużych zbiorów danych (Big Data Analytics Blunders

) to dobry sposób na uświadomienie sobie wartości najlepszych praktyk w Data Science.

Ze względu na długość i złożoność list najlepszych praktyk w Data Science, aktualna literatura branżowa może łatwo zdezorientować i zapchać pamięć przeciętnego entuzjasty Data Science, a nawet praktyka. Dlatego, aby ułatwić przyswojenie tej wiedzy nowym uczestnikom DS, poniżej wymieniono podstawowe najlepsze praktyki, które obejmują większość omawianych najlepszych praktyk w dziedzinie Data Science.

Autor artykułu na TechTarget wyjaśnia te pięć podstawowych najlepszych praktyk DS, które pojawiają się także na wszystkich opublikowanych listach najlepszych praktyk Data Science

:

  • Zrozumienie wymagań biznesowych

Pierwszym i najważniejszym krokiem w każdym projekcie Data Science jest zrozumienie danego wymogu biznesowego i zdefiniowanie przypadku użycia modelu. To prawda, że naukowiec ds. danych musi ściśle współpracować z członkami zespołu, aby rozpocząć ten etap, ale ostatecznie będzie on odpowiedzialny za przekształcenie wymaganego problemu biznesowego w problem matematyczny, który można rozwiązać za pomocą ML i innych zaawansowanych pomocy technologicznych.

  • Komunikacja z członkami zespołu

Efektywna komunikacja z biznesem to najlepsza praktyka Data Science, ale ma to też swoje minusy. Przekazywanie wysoce złożonych koncepcji technicznych mniej wykwalifikowanym członkom zespołu może stanowić poważne wyzwanie. Na przykład wyjaśnienie, w jaki sposób model uczenia maszynowego może osiągnąć konkretny cel biznesowy w sposób zrozumiały dla laika, jest poszukiwaną umiejętnością, nad którą naukowcy muszą pracować i którą muszą z czasem doskonalić. Rozwijanie kombinacji umiejętności nie tylko pomaga

DS w celu opracowania rozwiązań, ale także pomaga w wypracowaniu rozwiązań przyjaznych dla klienta dzięki stałej komunikacji oraz wymianie informacji z klientem.

  • Jakość danych na potrzeby analizy danych

W dzisiejszych czasach zaawansowane platformy i narzędzia technologiczne sprawiły, że naukowcy zajmujący się danymi mogą stosunkowo łatwo uzyskać potrzebne im dane, kiedy chcą i w dokładnie takich formatach, w jakich chcą. Automatyzacja zadań Data Science sprawiła, że naukowcy dysponują wolnym czasem, który mogą poświęcić na eksplorację i „głęboką analizę” gotowych danych. Jakość danych determinuje wynik analizy danych, więc w grę wchodzą tu dwie rzeczy: Po pierwsze: jakość danych, która musi przewyższać potrzebę kontroli; po drugie: przydatność danych do rozwiązania problemu biznesowego.

  • Nastawienie na eksperymenty

Każdy data scientist wie, że dany projekt musi się dostosowywać do zmieniających się wymagań biznesowych. Ten sposób myślenia ma kluczowe znaczenie dla powodzenia każdego projektu DS. Kiedy zespół DS pracuje nad prawdziwymi projektami, zdarza się, że zmienia lub przebudowuje swoje modele w oparciu o zmieniające się cele biznesowe. Przykładem takiego sposobu myślenia jest „zmiana zachowań organizacji” i innych interesariuszy podczas niedawnej pandemii. Modele zbudowane przed konferencją COVID-19 musiały zostać zmodyfikowane lub przeprojektowane, aby sprostać potrzebom nowej sytuacji biznesowej.

  • Wybór właściwych metryk i narzędzi

Naukowcy zajmujący się danymi zazwyczaj korzystają z pomocy języków kodowania, narzędzi do modelowania i innych narzędzi BI, aby doprowadzić swoje projekty do końca. Jest to długa lista, na której znajdują się Python, SQL, BigML, R, R Studio i Apache Spark. Wybrany zestaw narzędzi, wraz z ustalonymi KPI, może zadecydować o powodzeniu lub niepowodzeniu projektu.

W tym kontekście warto zapoznać się zTop 5 Data Science Practices.

Oto, co Gartner zaleca w celu zapewnienia sukcesu projektu DS:

  • Zbieranie wymagań biznesowych, aby ułatwić działanie modeli, a także aby pomóc w tworzeniu „sprawdzonych koncepcji”.
  • Zachowanie równowagi między dokładnością danych a ich wartością dzięki „modelom o minimalnej opłacalności” (Minimum Viable Models).
  • Przedstawienie argumentów biznesowych za pomocą „opowiadania o danych”.

Innym, ściśle związanym z sukcesem wszystkich projektów DS czynnikiem jest bezpieczeństwo danych. KD Nuggets przedstawia kilka najlepszych praktyk w zakresie bezpieczeństwa danych, które obejmują minimalne magazyny danych, maskowanie danych, kanały komunikacyjne, szyfrowanie danych, ochronę danych oraz bezpieczeństwo danych przechowywanych w chmurze. Żaden projekt Data Science nie może się udać bez niezawodnych środków bezpieczeństwa danych, więc ten artykuł jest przydatnym przewodnikiem dla zespołów projektowych.

Najlepsze praktyki Data Science dla początkujących firm

Startupy działają w przyspieszonym tempie w przypadku większości swoich działań biznesowych, a dostarczanie produktów nie jest wyjątkiem od tej reguły. Oto najlepsze praktyki stosowane obecnie w Ravelin, modelowej firmie startupowej z Wielkiej Brytanii. Założona w 2014 roku firma Ravelin jest globalnym startupem zajmującym się zapobieganiem oszustwom, który wychwytuje oszustwa poprzez „analizę zachowań w czasie rzeczywistym, sieci grafów i uczenie maszynowe”.

Oto najlepsze praktyki, które ta firma przyjęła i lubi promować:

  • Modele produkcyjne są budowane, szkolone i wdrażane w ciągu pierwszego tygodnia realizacji projektu.
  • Zakłada się, że nowo zatrudniona osoba posiada wiedzę na temat Big Data.
  • Test kodu sprawdza umiejętności inżynierskie człowieka.
  • Automatyzacja jest zarezerwowana do wykrywania oszustw.
  • Aktywnie promują niezawodną infrastruktura.

Ravelin oferuje również kilka samorodków mądrości, które można zabrać ze sobą, więc nie zapomnij zapoznać się z linkami w tej sekcji. Startupy – czy dostajesz podpowiedzi?

Umiejętność korzystania z

danych

W ciągu ostatnich kilku lat umiejętność korzystania z danych i monetyzacja danych były stałymi tematami wszystkich konferencji biznesowych i webinariów. Artykuł DATAVERSITY® omawia najlepsze praktyki analityczne w zakresie przekształcania danych w aktywa. Omówione zostały następujące nowe koncepcje: „Jakość danych jako ruchomy cel” i prawdopodobne rozwiązania, znaczenie umiejętności korzystania z danych oraz możliwość tworzenia nowych źródeł przychodów z danych.

Obraz wykorzystany na licencji Shutterstock.com

SZKOLENIE LIVE ONLINE: FUNDAMENTALNE KURSY ZARZĄDZANIA

DANYMI Dołącz do nas na ten dogłębny, czterodniowy warsztat poświęcony DMBoK, przygotowaniu CDMP i podstawowym koncepcjom dotyczącym danych – 25-28 lipca 2022

r.

Czytaj dalej: https://www.dataversity.net/data-science-best-practices/

Related Posts

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.