Hjem Personlig finansiering Kigger på grundlaget for statistik, maskinlæring og matematiske metoder i datalogi - dummies

Kigger på grundlaget for statistik, maskinlæring og matematiske metoder i datalogi - dummies

Indholdsfortegnelse:

Video: Adam & Noah | KLOGSKAB Tour | Fuldt Show | 2018 2025

Video: Adam & Noah | KLOGSKAB Tour | Fuldt Show | 2018 2025
Anonim

En del af Data Science for Dummies Cheat Sheet > Hvis statistikker er blevet beskrevet som videnskaben om at udlede indsigt fra data, hvad er forskellen mellem en statistiker og en datavidenskabsmand? Godt spørgsmål! Selvom mange opgaver inden for datalogi kræver en ret smule statistisk viden, er omfanget og bredden af ​​en datavidenskabers viden og færdighedsbase adskilt fra en statistiker. Kerneforskellene er beskrevet nedenfor.

Kompetencekompetence:
  • En af kerneegenskaberne hos datavidenskabsmænd er, at de tilbyder en sofistikeret grad af ekspertise inden for det område, som de anvender deres analysemetoder. Datavidenskabsfolk har brug for dette, så de virkelig kan forstå konsekvenserne og anvendelserne af de dataindtryk, de genererer. En datavidenskabsmand skal have tilstrækkelig fagkompetence til at kunne identificere betydningen af ​​deres resultater og selvstændigt afgøre, hvordan man skal fortsætte i analysen.

    Derimod har statistikerne normalt en utrolig dyb viden om statistik, men meget lidt ekspertise inden for de emner, som de anvender statistiske metoder på. Det meste af tiden er statistikere forpligtet til at konsultere eksterne fageksperter for virkelig at få et godt greb om betydningen af ​​deres resultater og for at kunne bestemme den bedste måde at komme videre i en analyse.

    Matematiske og maskinelle indlæringsmetoder:
  • Statistikere er mest afhængige af statistiske metoder og processer, når de får indblik i data. I modsætning hertil er dataforskere forpligtet til at trække fra en lang række teknikker til at udlede dataindsigt. Disse omfatter statistiske metoder, men omfatter også metoder, der ikke er baseret på statistik - som dem, der findes i matematik, klynger, klassificering og ikke-statistiske maskinindlæringsmetoder. Se vigtigheden af ​​statistisk knowhow

Du behøver ikke at gå ud og få en grad i statistik til at udøve datalogi, men du skal i det mindste lære mig nogle af de mere grundlæggende metoder, der bruges i statistisk data analyse. Disse omfatter:

Lineær regression

  • : Linjær regression er nyttig til modellering af relationerne mellem en afhængig variabel og en eller flere uafhængige variabler. Formålet med lineær regression er at opdage (og kvantificere styrken af) vigtige korrelationer mellem afhængige og uafhængige variabler. Tidsserieanalyse:

  • Tidsserieanalyse indebærer analyse af en samling af data om attributværdier over tid for at forudsige fremtidige forekomster af foranstaltningen baseret på de tidligere observationsdata. Monte Carlo-simuleringer:

  • Monte Carlo-metoden er en simuleringsteknik, du kan bruge til at teste hypoteser, generere parameteroverslag, forudsige scenarieresultater og validere modeller. Metoden er kraftfuld, fordi den kan bruges til meget hurtigt at simulere hvor som helst fra 1 til 10.000 (eller flere) simuleringsprøver til alle processer, du forsøger at evaluere. Statistik for rumlige data:

  • En grundlæggende og vigtig egenskab for rumlige data er, at det ikke er tilfældigt. Det er rumligt afhængigt og autokorreleret. Når du modellerer rumlige data, undgå statistiske metoder, der antager, at dine data er tilfældige. Kriging og krige er to statistiske metoder, som du kan bruge til at modellere rumlige data. Disse metoder giver dig mulighed for at producere prædiktive overflader til hele studieområder baseret på sæt af kendte punkter i geografisk rum. Arbejde med gruppering, klassificering og maskinindlæringsmetoder

Maskinindlæring er anvendelsen af ​​beregningsalgoritmer til at lære af (eller udlede mønstre i) rå datasæt.

Clustering er en bestemt type maskinindlæring - ikke-overvåget maskinindlæring, for at være præcis, hvilket betyder at algoritmerne skal lære af umærkede data, og som sådan skal de bruge inferentielle metoder til at opdage korrelationer. Klassificering

på den anden side hedder overvåget maskinindlæring, hvilket betyder, at algoritmerne lærer fra mærkede data. Følgende beskrivelser introducerer nogle af de mere grundlæggende klyngnings- og klassifikationsmetoder: k-means clustering:

  • Du implementerer i almindelighed k-middelalgoritmer til at opdele datapunkter i et datasæt i klynger baseret på nærmeste middelværdier. For at bestemme den optimale opdeling af dine datapunkter i klynger, således at afstanden mellem punkter i hver klynge minimeres, kan du bruge k-means clustering. Nærmeste naboalgoritmer:

  • Formålet med en nærmeste naboanalyse er at søge efter og lokalisere enten et nærmeste punkt i rummet eller en nærmeste numerisk værdi afhængigt af den attribut, du bruger til sammenligningsgrundlag. Estimering af kernetæthed:

  • En alternativ måde at identificere klynger på i dine data er at bruge en densitetsudjævningsfunktion. Kerneldensitetsestimering (KDE) virker ved at placere en kernel en vægtningsfunktion, der er nyttig til kvantificering af tæthed - på hvert datapunkt i datasættet, og summere kernerne for at generere et kernetæthedsskøn for det samlede område. At holde matematiske metoder i blandingen

Der bliver meget sagt om værdien af ​​statistikker i praksis inden for datalogi, men anvendt matematiske metoder nævnes sjældent. For at være ærlig er matematik grundlaget for alle kvantitative analyser. Dens betydning bør ikke undervurderes. De to følgende matematiske metoder er særligt nyttige inden for datalogi.

Multikriterier beslutningstagning (MCDM):

  • MCDM er en matematisk beslutningsmodelleringsmetode, som du kan bruge, når du har flere kriterier eller alternativer, som du samtidig skal vurdere, når du træffer en beslutning. Markov-kæder

  • : En Markov-kæde er en matematisk metode, der kæder sammen en række tilfældigt genererede variabler, der repræsenterer nutidstilstanden, for at kunne modellere, hvordan ændringer i nutidstilværdier påvirker fremtidige tilstande.

Kigger på grundlaget for statistik, maskinlæring og matematiske metoder i datalogi - dummies

Valg af editor

Dække dine baser med denne mobile SEO-tjekliste over opgaver - dummies

Dække dine baser med denne mobile SEO-tjekliste over opgaver - dummies

Det store flertal af amerikanerne surfer på internettet fra deres telefoner. Her er en hurtig-reference tjekliste over mobile webdesign og optimeringsopgaver. Når du gør dit websted mobil, skal du sørge for at afkrydse varerne på denne mobile SEO checkliste! Vælg en mobil platform Bestem hvilken metode til mobildesign, du vil implementere til dit mobilsite. ...

Styring af dine links til SEO - dummies

Styring af dine links til SEO - dummies

Inden du løber af for at søge efter links til at forbedre din søge ranking , tænk på, hvad du vil have disse links til at sige. Nøgleord i links er uhyre vigtige. Placeringen af ​​en side i søgemaskinerne afhænger ikke kun af teksten inden for denne side, men også på tekst på andre sider, der henviser til ...

Du skal tage den rigtige mobil tilgang til din SEO-strategi - dummies

Du skal tage den rigtige mobil tilgang til din SEO-strategi - dummies

Mobil brug i betragtning, når du udvikler dit websted til SEO. Fordi en stationær computerskærm og en smartphone er meget forskellig i størrelse, betyder design for mobil, at du skal gøre en af ​​tre ting: Opbyg et lydhurt webdesign, der dynamisk tilpasser indhold fra desktopformat til mobil ...

Valg af editor

Hvordan man opretter en influenslisteliste på Klout - dummies

Hvordan man opretter en influenslisteliste på Klout - dummies

I sidebjælken på venstre side af din Klout Friends-skærm, ser du en orange Opret en ny liste-knap. Når du klikker på denne knap, vises et pop op-vindue. I denne boks kan du tilføje folk til listen og navngive listen. På dette tidspunkt kan du kun føje influencere af deres Twitter ...

Hvordan man undgår beregninger faldgruber med dit websted Analytics data - dummies

Hvordan man undgår beregninger faldgruber med dit websted Analytics data - dummies

Du kan undre sig hvordan i verden kan du lave fejl med data, der bliver leveret til dig i pæne rapporter og grafer. Sociale metrics-tjenester gør et godt stykke arbejde med at indsamle alle de data, du fortæller dem, at finde. Der er mange målinger faldgruber derude. Du kan nemt ...

Sådan dekrypterer du Social Media Metrics Codes and Patterns - dummies

Sådan dekrypterer du Social Media Metrics Codes and Patterns - dummies

Som du sporer din sociale medieværdier over tid og begynder at bruge nogle af de næste lagværktøjer, såsom segmentering og dayparting, til at analysere din online og sociale interaktion, er det vigtigt at holde øje med brugsmønstre, interesse og engagement og hemmelige koder din besøgende og fans / tilhængere sender ...

Valg af editor

Matchende vinkler til levnedsmiddelfag i madfotografi - dummier

Matchende vinkler til levnedsmiddelfag i madfotografi - dummier

Give et andet udseende og følelse for dine billeder. Nøglen er at spille rundt med de forskellige vinkler og derefter fokusere på fødevaren. Nogle vinkler ser langt mere appetitvækkende ud end andre, men det varierer fra mad til mad.

Maksimere forstørrelse med små motiver - dummier

Maksimere forstørrelse med små motiver - dummier

Universet ser ud til at give detaljerede detaljer, fra galaksen til solen system, til bjergene, til træerne, til dyrene, til insekterne og ned til bakterierne og cellerne, til atomer og hinsides. Fotografering kan fange de oplysninger, der leveres på disse forskellige lag. Hvor langt ned på skalaen du ...

Meter med dit kamera i HDR Photography - dummies

Meter med dit kamera i HDR Photography - dummies

Ved hjælp af en forudindtaget bracketingstrategi i HDR fotografering fungerer godt, men ulempen ved ikke, om du virkelig fanger hele sceneens dynamiske område med parenteserne (hvis du holder øje med et levende histogram, er du tættere på at vide). En mere flot indflydelse afhænger af måling af højder og nedture ...