{"id":89206,"date":"2020-07-20T07:41:57","date_gmt":"2020-07-20T05:41:57","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/chto-mozhet-pojti-ne-tak-s-data-science-sbor-dannyh"},"modified":"2020-07-20T07:41:57","modified_gmt":"2020-07-20T05:41:57","slug":"chto-mozhet-pojti-ne-tak-s-data-science-sbor-dannyh","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/chto-mozhet-pojti-ne-tak-s-data-science-sbor-dannyh","title":{"rendered":"Hvad kan g\u00e5 galt med Data Science? Indsamling af data","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Hvad<\/a><\/noindex>
\nI dag findes der utallige kurser i Data Science, og det er velkendt, at den st\u00f8rste indtjening inden for Data Science ofte kommer fra netop Data Science-kurser (hvorfor grave, n\u00e5r man kan s\u00e6lge spader?). Den prim\u00e6re ulempe ved disse kurser er, at de ikke har noget med det virkelige arbejde at g\u00f8re: Ingen vil give dig rene, behandlede data i det \u00f8nskede format. Og n\u00e5r du afslutter dit kursus og begynder at tackle en \u00e6gte opgave, dukker der mange nuancer op.<\/p>\n

Derfor starter vi en r\u00e6kke noter ved navn \"Hvad kan g\u00e5 galt med Data Science\", baseret p\u00e5 virkelige h\u00e6ndelser, der er sket for mig, mine venner og kolleger. Vi vil analysere typiske Data Science-opgaver med virkelige eksempler: s\u00e5dan foreg\u00e5r det faktisk. Vi starter i dag med dataindsamlingsopgaven.<\/p>\n

Og det f\u00f8rste, folk st\u00f8der p\u00e5, n\u00e5r de begynder at arbejde med rigtige data, er faktisk at indsamle de relevante data. Den centrale pointe i denne artikel:<\/p>\n

Vi undervurderer systematisk tid, ressourcer og indsats kr\u00e6vet til indsamling, rensning og forberedelse af data.<\/b><\/p><\/blockquote>\n

\nOg vigtigst af alt, vi vil diskutere, hvad der kan g\u00f8res for at undg\u00e5 dette.<\/p>\n

If\u00f8lge forskellige vurderinger tager rensning, transformation, data processing, feature engineering osv. 80-90% af tiden, mens analysen tager 10-20%, mens n\u00e6sten alt undervisningsmaterialet udelukkende fokuserer p\u00e5 analysen.<\/p>\n

Lad os se p\u00e5 en typisk simpel analytisk opgave i tre versioner og se, hvilke \"formildende omst\u00e6ndigheder\" der kan v\u00e6re.<\/p>\n

Og som eksempel vil vi igen se p\u00e5 lignende variationer af dataindsamlingsopgaven og sammenligning af f\u00e6llesskaber for:<\/p>\n

    \n
  1. To subreddits p\u00e5 Reddit<\/li>\n
  2. To sektioner p\u00e5 Habr<\/li>\n
  3. To grupper p\u00e5 Odnoklassniki<\/li>\n<\/ol>\n

    <\/a><\/noindex><\/p>\n

    En hypotetisk tilgang i teorien<\/h2>\n

    \n\u00c5bne hjemmesiden og l\u00e6se eksempler, hvis det giver mening, afs\u00e6tte et par timer til l\u00e6sning, et par timer til at kode efter eksemplerne og debugge. Tilf\u00f8j et par timer til indsamling. L\u00e6g nogle timer til overs (gang med to og tilf\u00f8j N timer).<\/p>\n

    Det centrale punkt: tidsvurderingen er baseret p\u00e5 antagelser og g\u00e6tterier om, hvor lang tid det vil tage.<\/b><\/p>\n

    Analysen af tiden b\u00f8r starte med vurderingen af f\u00f8lgende parametre for den hypotetiske opgave, som beskrevet ovenfor:<\/p>\n