Wondershare EdrawMind
Galleria mappe mentale Prozess und Methoden
- 8
Prozess und Methoden
Kapitel 3 der Data Science-Theorie und -Praxis umfasst Datenverarbeitung, Datenprüfung, Datenanalyse, Datenvisualisierung, Data Storytelling und Data Science-Projektmanagement.
Modificato alle 2023-10-15 10:50:07
- Consigliato per te
- Profilo
Prozess und Methoden
Grundlegender Prozess
Digitalisierung
Der Prozess der Erfassung des Lebens, der geschäftlichen oder sozialen Aktivitäten von Menschen und deren Umwandlung in Daten
Datenverarbeitung und Regularisierung
saubere Daten
Daten organisieren
Zwei grundlegende Probleme bei der Datenverarbeitung
explorative Datenanalyse
EDA-Methode
Widerstand
Restwert
erneut zum Ausdruck bringen
Datenanalyse und Erkenntnisse
beschreibende Analyse
Prädiktive Analysen
normative Analyse
Ergebnisse zeigen
Bereitstellung von Datenprodukten
Datenverarbeitung
Datenverarbeitung bezieht sich auf eine Reihe von Verarbeitungsaktivitäten, die den Originaldatensatz entsprechend den Anforderungen nachfolgender Datenberechnungen prüfen, bereinigen, transformieren, integrieren, desensibilisieren, reduzieren und kennzeichnen, bevor die Daten formal verarbeitet werden.
Anforderungen an die Datenqualität, Anforderungen an die Datenberechnung
Datenreinigung
Fehlende Datenverarbeitung
Redundante Datenverarbeitung
Laute Datenverarbeitung
Gemäß der Binning-Strategie des Originaldatensatzes
Ersetzungsmethode basierend auf den Mitgliedsdaten in jedem Feld
Datentransformation
Glätten
Feature-Konstruktion
versammeln
Standardisierung
Diskretisierung
Datenintegration
Inhaltsintegration
strukturelle Integration
Musterintegration
Daten Redundanz
Konflikterkennung und -beseitigung
Datendesensibilisierung
Unidirektionalität
Keine Rückstände
einfach zu bewerkstelligen
Datenreduzierung
Dimensionsreduzierung
Wertminderung
Datenanmerkung
Grammatikanmerkung
Semantische Annotation
Datenprüfung
Überprüfen Sie den Dateninhalt und seine Elemente gemäß den allgemeinen Vorschriften und Bewertungsmethoden der Datenqualität, um Probleme zu identifizieren.
Fehlende Werte, Rauschwerte, inkonsistente Werte, unvollständige Werte
Vordefinierte Audits
Datenwörterbuch
Benutzerdefinierte Integritätsbeschränkungen
selbstbeschreibende Informationen über Daten
Domänenwert des Attributs
Daten in sich geschlossene zugehörige Informationen
Benutzerdefinierte Prüfung
Regeln zur Variablendefinition
Regeln zur Funktionsdefinition
Gängige Techniken zur Datenprüfung
erstes Gesetz der Zahlen
Prinzip der kleinen Wahrscheinlichkeit
Sprachliche Regeln
Datenkontinuitätstheorie
Datenauthentifizierungstechnologie
Visuelle Prüfung
Datenanalyse
beschreibende Analyse
Konzentrieren Sie sich auf die Vergangenheit und beantworten Sie, was passiert ist
Der erste Schritt in der Datenanalyse
Beschreibende statistische Analysemethoden
diagnostische Analyse
Konzentrieren Sie sich auf die Vergangenheit und antworten Sie, warum es passiert ist
Korrelationsanalyse und Kausalanalyse
Prädiktive Analysen
Konzentrieren Sie sich auf die Zukunft und beantworten Sie, was passieren wird
Verwenden Sie Klassifizierungsanalyse und Trendanalyse
ist die Grundlage für die normative Analyse
normative Analyse
Achten Sie auf die Probleme der Simulation und Optimierung und darauf, wie Sie die auftretenden Probleme optimieren können
Einsatz von Operations Research-, Simulations- und Emulationstechniken
Kann direkt industriellen Wert generieren
Datenvisualisierung
Grundtyp
wissenschaftliche Visualisierung
Informationsvisualisierung
visuelle Analyse
visuelle Analyse
Informationsvisualisierung
Data-Mining
Statistische Analyse
analytisches Denken
Menschliche interaktion mit dem Computer
Visuelles Analysemodell
Der Schwerpunkt liegt auf dem Prozess der Umwandlung von Daten in Wissen
Der Schwerpunkt liegt auf dem Zusammenspiel zwischen visueller Analyse und automatisierter Modellierung
Betonen Sie die Bedeutung von Datenmapping und Data Mining
Betonung der Notwendigkeit der Datenverarbeitung
Betonung der Bedeutung der Mensch-Computer-Interaktion
Methodik
Methodische Grundlage
grundlegende Methode
Domänenmethoden
Visuelle Wahrnehmung und visuelle Wahrnehmung
visuelle Wahrnehmung
Der Prozess, durch den objektive Dinge über visuelle Sinnesorgane direkte Reaktionen im menschlichen Gehirn hervorrufen
visuelle Wahrnehmung
Die Weiterverarbeitung visueller Wahrnehmungsinformationen durch Einzelpersonen
Datentypen aus visueller Sicht
Kategorisierte Daten
Ordinaldaten
Intervalldaten
Verhältnisdaten
Methode zur Auswahl visueller Kanäle
Genauigkeit
Lesbarkeit
visuelles Artefakt
Bezieht sich auf eine falsche oder ungenaue visuelle Wahrnehmung des Zielbenutzers, die nicht mit der Absicht des Datenvisualisierers oder der Realität der Daten selbst übereinstimmt
Die Visualisierung der Umgebung von Yamashita, wo sich der Apostel befindet, kann zu visuellen Artefakten führen
Die relative Beurteilung von Helligkeit und Farbe durch das menschliche Auge kann leicht zu visuellen Täuschungen führen
Die Erfahrung und Erfahrung des Zielbenutzers kann zu visuellen Artefakten führen
Sechs berühmte Praktiken der Datenvisualisierung und ihre Quellcodes
Berechnen Sie das Alter des Universums
Rendern Sie den Mond mit den Farben der Erde
1,3 Milliarden Taxifahrten in New York City
Entdecken Sie die Welt auf 17.000 Reiserouten
Eclipse-Formatierung
Das Jimi Hendrix-Erlebnis
Daten-Storytelling
Definition: Der Prozess der Umwandlung von Daten in Datengeschichten wird als Datengeschichtenerzählen bezeichnet
leicht zu erinnern
Leicht zu erkennen
Einfach zu erleben
Daten-Story-Modell
Geschäftliche Bedürfnisse
Daten
Analytische Erkenntnisse
Story-Modell
Geschichtenerzählen
Publikumsverhalten
Verwandte Begriffe für Data Storytelling
Datengesteuertes Storytelling
visuelles Geschichtenerzählen
Analytisches Geschichtenerzählen
Interaktives Geschichtenerzählen
Erzählen Sie Geschichten mit Daten
digitales Geschichtenerzählen
Die Rolle von Datengeschichten
anlocken
erklären
Inspirieren
Datengeschichten verstehen
Wahrnehmung von Datengeschichten
Die erzählerische Erzählung des Erzählers erzeugt über die visuellen Sinnesorgane eine direkte Reaktion im menschlichen Gehirn.
Datengeschichten verstehen
Die Weiterverarbeitung geschichtenbasierter Sinnesinformationen durch das Publikum
Datengeschichten in Aktion
Die Aktionen, die das Publikum nach dem Anhören von Datengeschichten durchführt
Data Science-Projektmanagement
Hauptfigur
Projektsponsor
Projektmanager
Klient
Datenwissenschaftler
Dateningenieur
Operator
Grundlegender Prozess
Definition der Projektziele
Datenerfassung und -verwaltung
Muster, Erkenntnisse aus Modellen
Muster, Modellvalidierung und -optimierung
Visualisierung und Dokumentation der Ergebnisse
Muster, Anwendung und Wartung von Modellen
Häufige Fehler in Data-Science-Projekten
Daten analysieren, ohne sie zu überprüfen
Analysieren Sie Daten, ohne sie zu verstehen
Das Modell in Betrieb nehmen, ohne es zu testen
Datenwissenschaftliche Analysearbeit hat nur Ziele und keine Forschungshypothesen
Das Datenmodell wird nicht gleichzeitig mit den Daten aktualisiert und verwendet ein veraltetes Modell.
Ziehen Sie beiläufig Schlussfolgerungen, ohne die Ergebnisse der Datenanalyse zu diskutieren
Mangelnde Einbindung von Wirtschaftsexperten
Übernehmen oder trainieren Sie übermäßig komplexe Modellalgorithmen
Das Vorhandensein einer Datenverzerrung
Der Präsentationswirkung der Ergebnisse von Datenanalyseprojekten wird nicht genügend Aufmerksamkeit geschenkt
Unzureichende Betonung der Benutzererfahrung von Data-Science-Produkten
Über- oder Unterschätzung der Verständnisfähigkeit des Zielbenutzers