Accueil Finances personnelles 9 Lois de Data Mining - les nuls

9 Lois de Data Mining - les nuls

Table des matières:

Vidéo: Safe and Sorry – Terrorism & Mass Surveillance 2025

Vidéo: Safe and Sorry – Terrorism & Mass Surveillance 2025
Anonim

Chaque profession a ses principes directeurs, ses idées qui structurent et orientent le travail quotidien. L'exploration de données ne fait pas exception. Voici neuf idées fondamentales pour vous guider lorsque vous vous mettez au travail et devenez un mineur de données. Ce sont les 9 lois de Data Mining telles qu'elles ont été initialement énoncées par Thomas Khabaza, le pionnier des données.

1ère loi: objectifs commerciaux

Voici la 1ère loi de Data Mining, ou «loi sur les objectifs commerciaux»: Les objectifs métier sont à l'origine de chaque solution d'exploration de données.

Vous explorez des données pour trouver des informations qui vous aident à mieux gérer l'entreprise. Cela ne devrait-il pas être le mantra de toutes les analyses de données commerciales? Bien sûr que ça devrait! Pourtant, les mineurs de données novices se concentrent souvent sur la technologie et d'autres détails, ce qui peut être intéressant, mais pas aligné avec les besoins et les objectifs des décideurs exécutifs.

Vous devez vous habituer à identifier les objectifs métier avant de faire quoi que ce soit d'autre et vous concentrer sur ces objectifs à chaque étape du processus d'exploration de données. Il est important que cette loi arrive en premier. Tout le monde devrait comprendre que l'exploration de données est un processus ayant un but.

2ème loi: Connaissance métier

Voici la 2ème loi de Data Mining ou «Business Knowledge Law»: La connaissance métier est au cœur de chaque étape du processus d'exploration de données.

L'exploration de données donne du pouvoir aux personnes - les gens d'affaires - qui utilisent leurs connaissances, leur expérience et leur perspicacité, ainsi que les méthodes d'exploration de données, pour trouver un sens aux données.

Vous n'avez pas besoin d'être un statisticien de fantaisie pour faire du data mining, mais vous devez savoir quelque chose sur ce que les données signifient et comment l'entreprise fonctionne. Ce n'est que lorsque vous comprenez les données et le problème que vous devez résoudre que les processus d'exploration de données vous aident à découvrir des informations utiles et à les utiliser.

3ème loi: Préparation des données

Voici la 3ème loi de Data Mining ou "Data Preparation Law": La préparation des données représente plus de la moitié de tous les processus d'exploration de données.

Les statisticiens traditionnels ont souvent l'occasion de recueillir de nouvelles données pour répondre à des questions de recherche spécifiques. Ils peuvent utiliser des processus rigoureux pour planifier des expériences, concevoir des questionnaires de recherche par sondage ou recueillir d'une autre manière des données de haute qualité qui sont bien ciblées sur des objectifs de recherche spécifiques. Pourtant, après tout cela, ils passent encore beaucoup de temps à nettoyer et à préparer des données pour l'analyse.

Les data miners, en revanche, doivent presque toujours travailler avec les données disponibles. Ils utilisent les documents commerciaux existants, les données publiques ou les données qu'ils peuvent acheter.Les chances sont, toutes ces données ont été recueillies dans un but autre que l'exploration de données, et sans aucun plan rigoureux ou processus de collecte de données minutieuses. Les data miners consacrent donc beaucoup de temps à la préparation des données.

4ème loi: modèle de droite

Voici la 4ème loi de Data Mining, ou "NFL-DM": Le bon modèle pour une application donnée ne peut être découvert que par l'expérience.

Cette loi est également connue par le raccourci NFL-DM, ce qui signifie qu'il n'y a pas de déjeuner gratuit pour le mineur de données.

D'abord, qu'est-ce qu'un modèle? C'est une équation qui représente un motif observé dans les données. Au moins, il représente le modèle d'une manière rugueuse. Les modèles mathématiques des choses réelles ne sont jamais parfaits! C'est un fait de la vie, et c'est aussi vrai pour les physiciens nucléaires que pour les mineurs de données.

Dans l'exploration de données, les modèles sont sélectionnés par essais et erreurs. Vous expérimenterez avec différents types de modèles.

5ème loi: Modèle

Voici la 5ème loi de Data Mining: Il y a toujours des patterns.

En tant que chercheur de données, vous explorerez des données à la recherche de modèles utiles. En d'autres termes, vous recherchez des relations significatives parmi les variables des données. Comprendre ces relations permet une meilleure compréhension de l'entreprise et de meilleures prédictions de ce qui se passera dans le futur. Plus important encore, la compréhension des modèles dans les données vous permet d'influencer ce qui se passera dans le futur.

Vous trouvez toujours des motifs. Les données ont toujours quelque chose à vous dire. Parfois, cela confirme que ce que vous avez fait est juste. Cela peut ne pas sembler excitant, mais au moins cela vous dit que vous avez été sur la bonne voie. D'autres jours, les données peuvent vous indiquer que vos pratiques commerciales actuelles ne fonctionnent pas. C'est excitant, et même si cela n'est peut-être pas agréable à court terme, connaître la vérité est un pas important vers l'amélioration.

6ème loi: Amplification

Voici la 6ème Loi de l'Exploration de Données, ou "Loi d'Insight": L'exploration de données amplifie la perception dans le domaine des affaires.

Les méthodes d'exploration de données vous permettent de mieux comprendre votre activité que vous n'auriez pu le faire sans elles. Les méthodes d'exploration de données vous aident comme une loupe ou un microscope, permettant la découverte d'effets qui seraient difficiles ou impossibles à détecter grâce à des rapports ordinaires.

L'exploration de données n'est pas instantanée.

La découverte et l'apprentissage par exploration de données est un processus interactif. Vous ferez des découvertes, découvrirez un peu de chacun d'eux et utiliserez ce que vous avez découvert pour agir. Les résultats de chaque action que vous essayez de produire plus de données, et que les données vous permettent de comprendre quelque chose de plus. C'est un cycle de découverte, et le cycle continue tant que vous continuez à explorer et expérimenter.

7ème loi: Prédiction

Voici la 7ème loi de Data Mining, ou "loi de prédiction": La prédiction augmente l'information localement par la généralisation.

L'exploration de données vous aide à utiliser ce que vous savez pour faire de meilleures prédictions (ou estimations) de choses que vous ne connaissez pas. L'exploration de données utilise des données et des méthodes de modélisation pour remplacer vos attentes informelles par des estimations basées sur des données, cohérentes et plus précises.

8ème loi: Valeur

Voici la 8ème loi de Data Mining, ou "Value Law": La valeur des résultats de data-mining n'est pas déterminée par l'exactitude ou la stabilité des modèles prédictifs.

Les data miners ne se soucient pas de la théorie. En tant que chercheur de données, vous ne connaissez peut-être même pas la théorie qui sous-tend les modèles statistiques que vous utilisez. Peut-être que c'est tout aussi bien, parce que dans l'exploration de données, vous allez utiliser ces modèles d'une manière qui ne correspond pas nécessairement à la théorie qui les sous-tend.

Vous allez chercher des modèles qui produisent des prédictions correctes (et vous utiliserez des tests, plutôt que la théorie statistique, pour juger de cela). Mais vous pouvez être plus concerné par d'autres questions, comme si le modèle a un sens commercial, vous éclaire sur des facteurs prédictifs inattendus ou est pratique à utiliser dans votre lieu de travail.

9ème Loi: Changement

Voici la 9ème Loi de Data Mining, ou "Loi du Changement": Tous les modèles sont sujets à changement.

Le monde change constamment. Le modèle qui vous donne de grandes prédictions aujourd'hui peut être inutile demain. C'est un fait de la vie pour tous les analystes de données, pas seulement les mineurs de données.

9 Lois de Data Mining - les nuls

Le choix des éditeurs

Conventions de dénomination pour Ruby on Rails - mannequins

Conventions de dénomination pour Ruby on Rails - mannequins

Vous utilisez Ruby on Rails pour créer un site Web application ou application de base de données Web, ce qui est très intelligent de votre part. En fonction de ce que vous utilisez (une application, une relation un-à-plusieurs ou une relation plusieurs-à-plusieurs), vous utilisez différentes variantes des protocoles d'attribution de noms Rails, qui sont expliquées dans les sections suivantes. Ruby Naming for ...

En orbite, panoramique et zoom dans la vue 3D de Blender - mannequins

En orbite, panoramique et zoom dans la vue 3D de Blender - mannequins

En essayant de naviguer dans un espace en trois dimensions à travers un écran bidimensionnel comme un écran d'ordinateur, vous ne pouvez pas interagir avec cet espace 3D virtuel exactement comme vous le feriez dans le monde réel, ou espace de vie. La meilleure façon de visualiser le travail en 3D à travers un programme comme Blender est d'imaginer la vue 3D comme vos yeux ...

Déplacement de clips sur la timeline dans Final Cut Pro HD - Ficelles

Déplacement de clips sur la timeline dans Final Cut Pro HD - Ficelles

Final Cut Pro HD Timeline vous permet d'organiser tous vos clips vidéo et audio afin qu'ils racontent l'histoire que vous voulez raconter. Pour comprendre le fonctionnement de la Timeline, imaginez-la comme une page de partitions, mais plutôt que de placer des notes de musique de différentes durées (noires, demi-notes, ...

Le choix des éditeurs

Contrôle et modification de l'associativité des dimensions dans AutoCAD - Dummies

Contrôle et modification de l'associativité des dimensions dans AutoCAD - Dummies

Lorsque vous ajoutez des dimensions en sélectionnant des objets ou en utilisant l'accrochage aux objets Pour sélectionner des points sur les objets, AutoCAD crée normalement des dimensions associatives, qui sont connectées aux objets et se déplacent avec eux. C'est le cas dans les nouveaux dessins créés à l'origine dans toute version d'AutoCAD à partir de 2002. Si vous ...

Copie de styles de cote existants dans AutoCAD 2008 - mannequins

Copie de styles de cote existants dans AutoCAD 2008 - mannequins

Si vous avez la chance de travailler dans un bureau Quelqu'un a mis en place des styles de cotes qui conviennent à votre secteur d'activité et à votre projet. Vous pouvez le copier et ainsi éviter de devoir créer vos propres styles de cote. (Un style de cote - ou dimstyle pour faire court - est une collection de paramètres de dessin appelée dimension ...

En choisissant un style d'édition AutoCAD -

En choisissant un style d'édition AutoCAD -

Dans AutoCAD vous passez généralement plus de temps à éditer que dessiner des objets. C'est en partie parce que le processus de conception et de rédaction est, par nature, sujet à des changements, et aussi parce que AutoCAD vous permet de modifier facilement les objets proprement. AutoCAD propose trois styles d'édition: Commande-première Sélection-première Objet-direct (poignée) AutoCAD fait référence à l'édition de commandes comme verbe-nom ...

Le choix des éditeurs

Praxis Examen d'éducation élémentaire - Présentations orales - mannequins

Praxis Examen d'éducation élémentaire - Présentations orales - mannequins

Parce que les élèves doivent généralement donner des présentations orales en classe , vous rencontrerez probablement une question sur ce sujet dans l'examen Praxis Elementary Education. Plus formelles que les discussions de groupe, les présentations orales ont leurs propres règles pour le conférencier. Lorsque vous donnez une présentation en classe, il y a plusieurs ...

Praxis Examen d'éducation élémentaire - Littérature et texte d'information - mannequins

Praxis Examen d'éducation élémentaire - Littérature et texte d'information - mannequins

L'examen Praxis Elementary Education sur la littérature et le texte d'information, c'est-à-dire la fiction et la non-fiction. Vous devrez donc vous familiariser avec les différents genres d'écriture. La compréhension du texte est un processus qui se produit au fil du temps.

Praxis Examen d'éducation élémentaire - Connaissance phonologique - mannequins

Praxis Examen d'éducation élémentaire - Connaissance phonologique - mannequins

Vous rencontrerez probablement une ou deux questions qui impliquent des questions phonologiques sensibilisation à l'examen Praxis Elementary Education. La conscience phonologique est une compétence large impliquant la reconnaissance de son. Les lecteurs débutants commencent par apprendre les sons individuels, ou phonèmes, dans des mots parlés. Par exemple, le mot chat a trois phonèmes: / c / / a / / t /. Un lecteur débutant apprend ...