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

Hofte strækninger, der forbereder dig til at sidde meditation - dummies

Hofte strækninger, der forbereder dig til at sidde meditation - dummies

Nogle mennesker har svært ved at sidde og meditere til 10 eller 15 minutter ad gangen, så hvis du ikke er en af ​​disse mennesker, har du heldige! For dem, der har problemer med tilbageproblemer eller ubehag, mens de mediterer, kan du prøve disse yoga udgør at hjælpe dig med at forberede dig. Disse strækninger vil åbne dine hofter og gøre dem ...

Hvorledes Mindfulness kan hjælpe med smerte - dummier

Hvorledes Mindfulness kan hjælpe med smerte - dummier

Smerte kan bringe dit liv i stå. En af de anbefalede teknikker til smertebehandling er tankegangstilstanden, herunder mindfulness. Du kan ikke gøre de aktiviteter, du plejede at tage for givet, og må muligvis ophøre med at lave langsigtede planer. Din smerte kan blive dit hovedfokus ud over andre overvejelser. Den ...

Hvordan Mindfulness hjælper relationer - dummies

Hvordan Mindfulness hjælper relationer - dummies

Mindfulness hjælper med at forbedre kvaliteten (og måske mængden!) Af dine relationer på tre forskellige måder . Dr Marsha Lucas, forfatteren af ​​Rewire Your Brain for Love (Hay House) forklarer følgende måder, hvorpå mindfulness forbedrer relationer: Mindfulness reducerer stress. Hvis du og din partner føler sig stresset, er du mere tilbøjelige til at være reaktive ...

Valg af editor

Ydeevne og Big Data - dummies

Ydeevne og Big Data - dummies

Bare at have en hurtigere computer er ikke nok til at sikre det rigtige niveau af ydeevne at håndtere store data. Du skal kunne distribuere komponenter i din store datatjeneste på tværs af en række noder. I distribueret computing er en knude et element indeholdt i en klynge af systemer eller i et rack. A ...

Overvinde de store data færdigheder manglende dummier

Overvinde de store data færdigheder manglende dummier

Store data færdigheder er mangelfulde. Da mængden af ​​digital information genereret af virksomheder er vokset eksponentielt, er der opstået en udfordring (nogle mennesker kalder det en krise): Der er bare ikke nok mennesker med de nødvendige færdigheder til at analysere og fortolke alle disse store data. I en nylig undersøgelse er mere end halvdelen af ​​...

Fase 5 i CRISP-DM-procesmodellen: Evaluering - dummier

Fase 5 i CRISP-DM-procesmodellen: Evaluering - dummier

I de første fire faser af procesmodellen Cross Process Industry Standard Process for Data Mining (CRISP-DM), har du udforsket data, og du har fundet mønstre, og nu skal du spørge: Er resultaterne noget gode? Du vil ikke blot evaluere de modeller, du opretter, men også den proces, du plejede at oprette dem, og deres potentiale.

Valg af editor

Sådan tilføjes en kommentar i et Word 2007-dokument - dummies

Sådan tilføjes en kommentar i et Word 2007-dokument - dummies

Som en måde for forfattere og redaktører til at kommunikere bag kulisserne, kan Word 2007 du indsætte skjulte kommentarer i et dokument. Brug kommentarfunktionen til at "integrere" indlejringer, forslag, ideer eller rådgivning i et dokument uden at ændre teksten. Kommentarer er mærket med dine initialer og et sekventielt nummer, der begynder med 1 ...

Sådan tilføjes en kant til en side i Word 2016 - dummies

Sådan tilføjes en kant til en side i Word 2016 - dummies

Word 2016 tilbyder en midler til at dekorere titelsider, certifikater, menuer og lignende dokumenter med en sidegrænse. Udover linjer kan du dekorere siderne på en side med stjerner, kager og andre kunstværker. Hvis du vil placere en ramme omkring en side midt i et dokument, skal du oprette ...

Sådan tilføjes en forsidesside til et Word 2010-dokument - dummier

Sådan tilføjes en forsidesside til et Word 2010-dokument - dummier

Ord 2010 tilbyder en Cover Page-menuen, så du kan oprette en forsiden til dit Word-dokument uden at skulle lade være med at fjerne overskrifter og footers fra den ene side: