Lar Finanças Pessoais Analisando os conceitos básicos de estatística, aprendizado de máquina e métodos matemáticos na ciência dos dados - manequins

Analisando os conceitos básicos de estatística, aprendizado de máquina e métodos matemáticos na ciência dos dados - manequins

Índice:

Vídeo: Estatística - Aula 16 - Exercícios medidas de posição e dispersão 2025

Vídeo: Estatística - Aula 16 - Exercícios medidas de posição e dispersão 2025
Anonim

Parte da Ciência dos Dados para Dummies Cheat Sheet > Se as estatísticas foram descritas como a ciência de derivar informações sobre os dados, então, qual é a diferença entre um estatístico e um cientista de dados? Boa pergunta! Embora muitas tarefas na ciência dos dados exigem um pouco de conhecimento estatístico, o alcance e a amplitude do conhecimento e da base de habilidades de um cientista de dados são distintos dos de um estatístico. As principais distinções são descritas abaixo.

Especialidade em matéria de matéria:
  • Uma das principais características dos cientistas de dados é que eles oferecem um grau sofisticado de especialização na área a que aplicam seus métodos analíticos. Os cientistas de dados precisam disso para que eles possam realmente entender as implicações e aplicações dos dados que eles geram. Um cientista de dados deve possuir conhecimentos suficientes para poder identificar o significado de suas descobertas e decidir de forma independente como proceder na análise.

    Em contraste, os estatísticos geralmente têm um conhecimento incrivelmente profundo das estatísticas, mas muito pouca experiência na matéria a que aplicam métodos estatísticos. Na maioria das vezes, os estatísticos são obrigados a consultar com especialistas em assuntos externos para se entenderem firmemente sobre o significado de suas descobertas e para poderem decidir a melhor maneira de avançar em uma análise.

    Abordagens matemáticas e de aprendizagem mecânica:
  • Os estatísticos dependem principalmente de métodos e processos estatísticos ao derivar informações sobre os dados. Em contraste, os cientistas de dados são obrigados a retirar de uma ampla variedade de técnicas para obter informações sobre dados. Estes incluem métodos estatísticos, mas também incluem abordagens que não se baseiam em estatísticas - como aquelas encontradas em abordagens matemáticas, de cluster, de classificação e de aprendizagem de máquinas não-estatísticas. Vendo a importância do know-how estatístico

Você não precisa sair e obter um diploma em estatísticas para praticar ciência de dados, mas você deve, pelo menos, familiarizar-se com alguns dos métodos mais fundamentais que são usados na análise de dados estatísticos. Estes incluem:

Regressão linear

  • : A regressão linear é útil para modelar as relações entre uma variável dependente e uma ou várias variáveis ​​independentes. O objetivo da regressão linear é descobrir (e quantificar a força de) correlações importantes entre variáveis ​​dependentes e independentes. Análise de séries temporais:

  • A análise de séries temporais envolve a análise de uma coleção de dados sobre valores de atributos ao longo do tempo, para prever futuras instâncias da medida com base nos dados observacionais anteriores. Simulações de Monte Carlo:

  • O método de Monte Carlo é uma técnica de simulação que você pode usar para testar hipóteses, gerar estimativas de parâmetros, prever os resultados do cenário e validar modelos. O método é poderoso porque pode ser usado para simular muito rapidamente de 1 a 10 000 (ou mais) amostras de simulação para qualquer processo que você está tentando avaliar. Estatísticas de dados espaciais:

  • Uma propriedade fundamental e importante de dados espaciais é que não é aleatória. É espacialmente dependente e auto-correlacionado. Ao modelar dados espaciais, evite métodos estatísticos que assumam que seus dados são aleatórios. Kriging e krige são dois métodos estatísticos que você pode usar para modelar dados espaciais. Esses métodos permitem que você produza superfícies preditivas para áreas de estudo inteiras com base em conjuntos de pontos conhecidos no espaço geográfico. Trabalhando com métodos de agrupamento, classificação e aprendizagem de máquinas

O aprendizado de máquina é a aplicação de algoritmos computacionais para aprender (ou deduzir padrões) conjuntos de dados brutos.

Clustering é um tipo particular de aprendizagem de máquina - sem supervisão aprendizagem em máquina, para ser preciso, o que significa que os algoritmos devem aprender com dados não-rotulados e, como tal, devem usar métodos inferenciais para descobrir correlações. Classificação, por outro lado, é chamado de aprendizagem de máquina supervisionada, o que significa que os algoritmos aprendem com dados rotulados. As seguintes descrições introduzem algumas das abordagens mais básicas de agrupamento e classificação: k-means clustering:

  • Você geralmente implanta algoritmos k-means para subdividir pontos de dados de um conjunto de dados em clusters com base nos valores médios mais próximos. Para determinar a divisão ótima de seus pontos de dados em clusters, de modo que a distância entre os pontos em cada cluster seja minimizada, você pode usar o agrupamento k-means. Algoritmos vizinhos mais próximos:

  • O objetivo de uma análise vizinha mais próxima é procurar e localizar um ponto mais próximo do espaço ou um valor numérico mais próximo, dependendo do atributo que você usa para comparação. Estimativa de densidade do núcleo:

  • Uma maneira alternativa de identificar clusters em seus dados é usar uma função de suavização de densidade. A estimativa da densidade do núcleo (KDE) funciona colocando um kernel uma função de ponderação que é útil para quantificar densidade - em cada ponto de dados no conjunto de dados e, em seguida, somando os kernels para gerar uma estimativa de densidade do núcleo para o conjunto região. Mantendo métodos matemáticos na mistura

Lotes são ditos sobre o valor das estatísticas na prática da ciência dos dados, mas os métodos matemáticos aplicados raramente são mencionados. Para ser franco, a matemática é a base de todas as análises quantitativas. Sua importância não deve ser subestimada. Os dois seguintes métodos matemáticos são particularmente úteis na ciência dos dados.

MCDM:

  • MCDM é uma abordagem de modelagem de decisão matemática que você pode usar quando você tem vários critérios ou alternativas que você deve avaliar simultaneamente ao tomar uma decisão. cadeias de Markov

  • : uma cadeia de Markov é um método matemático que encadena uma série de variáveis ​​geradas aleatoriamente que representam o estado presente, a fim de modelar como as mudanças nas variáveis ​​de estado atual afetam os estados futuros.

Analisando os conceitos básicos de estatística, aprendizado de máquina e métodos matemáticos na ciência dos dados - manequins

Escolha dos editores

Fatos de plantas e animais para lembrar para o exame de biologia AP - dummies

Fatos de plantas e animais para lembrar para o exame de biologia AP - dummies

A seguinte lista contém algumas das informações mais desafiadoras sobre plantas e animais que você pode encontrar no exame de biologia AP. Estude esta lista, desde que você precise - se você se lembrar dessa informação durante o teste, você fará tudo bem. As plantas vasculares têm raízes, rebentos e caules, cada um dos quais ...

Física Tópicos para estudar para o teste Miller Analogies (MAT) - dummies

Física Tópicos para estudar para o teste Miller Analogies (MAT) - dummies

Massa , velocidade, aceleração - sim, é hora de rever toda a física que você aprendeu no ensino médio e se preparar para o MAT (Miller Analogies Test). Para o MAT, familiarizar-se com a física não implica aprender equações complicadas. Você só precisa se lembrar de alguns termos de física e aprender sobre alguns físicos famosos. Essas listas ajudam ...

Médico Assistente de Exame para Dummies Cheat Sheet - dummies

Médico Assistente de Exame para Dummies Cheat Sheet - dummies

Quando você está se preparando para tomar a PANCE ou PANRE , você pode sentir que precisa conhecer uma quantidade infinita de informações. Como você vai se lembrar de todos os detalhes de tantas doenças e condições? Aqui, você pode revisar alguns mnemônicos úteis que não só ajudarão seu recall como você se prepara para o seu ...

Escolha dos editores

Como criar uma ordem de compra no QuickBooks 2010 - dummies

Como criar uma ordem de compra no QuickBooks 2010 - dummies

Você pode usar o QuickBooks para criar uma compra Ordem para o seu negócio. Uma ordem de compra informa um fornecedor que deseja comprar algum item. Na verdade, um pedido de compra é um contrato para compra.

Como personalizar os formulários de verificação no QuickBooks 2011 - dummies

Como personalizar os formulários de verificação no QuickBooks 2011 - dummies

Antes de escrever suas verificações no QuickBooks, você pode decida que deseja personalizá-los um pouco. Você pode querer que seus cheques reflitam a aparência do seu negócio. Por exemplo, o QuickBooks oferece a oportunidade de alterar as fontes em seus cheques. Se você clicar na aba Fontes na caixa de diálogo Verificar impressão ...

Como personalizar os formulários on-line do QuickBooks para lidar com os subtotais - manequins

Como personalizar os formulários on-line do QuickBooks para lidar com os subtotais - manequins

Se precisar subtotar informações sobre o seu formulários de vendas, configure formulários de vendas no QuickBooks Online para que você possa incluir subtotais neles. Você pode subtotar linhas em uma fatura, uma estimativa ou um recibo de venda. Primeiro, ative o recurso; Para este exemplo, ative o recurso para o formulário de fatura. Siga ...

Escolha dos editores

Como converter imagens em modo escala de cinza em Photoshop Elements 11 - dummies

Como converter imagens em modo escala de cinza em Photoshop Elements 11 - dummies

Imagens em escala de cinza têm preto e pixels brancos e qualquer um dos 256 níveis de cinza. Ao converter uma imagem RGB em escala de cinza no Photoshop Elements 11, você pode fazer com que pareça uma foto em preto e branco. Evite converter em escala de cinza escolhendo Image → Mode → Grayscale. Quando os elementos executam essa conversão, ele remove toda a cor dos pixels, ...

Como converter imagens em modo escala de cinza em Photoshop Elements 9 - dummies

Como converter imagens em modo escala de cinza em Photoshop Elements 9 - dummies

Em Photoshop Elements, você pode converter uma imagem RGB em escala de cinza, fazendo com que pareça uma foto em preto e branco. As imagens de tons de cinza têm pixels em preto e branco e qualquer um dos 256 níveis de cinza. No entanto, você não precisa desistir de seus dados de cores. Como alternativa ao uso do comando de menu para converter imagens para ...

Como corrigir imagens com curvas de cores - dummies

Como corrigir imagens com curvas de cores - dummies

Photoshop Elements 10 emprestou um recurso muito usado do Photoshop chamado Curves. No entanto, adicionou a palavra Cor e tirou parte de sua sofisticação. No entanto, o ajuste Color Curves tenta melhorar o alcance tonal em imagens a cores fazendo ajustes em destaques, sombras e tons médios em cada canal de cores. Tente usar este comando em ...