QnA(00:47:55 - 00:58:50) - What is Predictive Analytics?

QnA(00:47:55 - 00:58:50)
What is Predictive Analytics?

Learn about the foundations of predictive analytics and how to get started with it.

The COVID-19 pandemic left a digital, decentralized, and yet hectic and volatile world. Data and analytics are helping companies to thrive and navigate uncertainty but understanding what happened yesterday is n...
Learn about the foundations of predictive analytics and how to get started with it.

The COVID-19 pandemic left a digital, decentralized, and yet hectic and volatile world. Data and analytics are helping companies to thrive and navigate uncertainty but understanding what happened yesterday is not enough. We need to work proactively with predictive and prescriptive analytics to optimize our operations and compete in a changing world.

Table of Contents:
00:00 – Introduction
01:34 – From noise to wisdom
08:15 – Connecting the dots
20:10 – Predictive analytics
47:55 – QnA

Looking for more crash courses? Check out our playlist: https://www.youtube.com/playlist?list=PL8eNk_zTBST9SJS5gUw_HYGSk5MdyC89-

--

At Data Science Dojo, we believe data science is for everyone. Our data science trainings have been attended by more than 10,000 employees from over 2,500 companies globally, including many leaders in tech like Microsoft, Google, and Facebook. For more information please visit: https://hubs.la/Q01Z-13k0

💼 Learn to build LLM-powered apps in just 40 hours with our Large Language Models bootcamp: https://hubs.la/Q01ZZGL-0

💼 Get started in the world of data with our top-rated data science bootcamp: https://hubs.la/Q01ZZDpt0

💼 Master Python for data science, analytics, machine learning, and data engineering: https://hubs.la/Q01ZZD-s0

💼 Explore, analyze, and visualize your data with Power BI desktop: https://hubs.la/Q01ZZF8B0

--

Unleash your data science potential for FREE! Dive into our tutorials, events & courses today!

📚 Learn the essentials of data science and analytics with our data science tutorials: https://hubs.la/Q01ZZJJK0

📚 Stay ahead of the curve with the latest data science content, subscribe to our newsletter now: https://hubs.la/Q01ZZBy10

📚 Connect with other data scientists and AI professionals at our community events: https://hubs.la/Q01ZZLd80

📚 Checkout our free data science courses: https://hubs.la/Q01ZZMcm0

📚 Get your daily dose of data science with our trending blogs: https://hubs.la/Q01ZZMWl0

--

📱 Social media links

Connect with us: https://www.linkedin.com/company/data-science-dojo

Follow us:

Keep up with us: https://www.instagram.com/data_science_dojo/

Like us: https://www.facebook.com/datasciencedojo

Find us: https://www.threads.net/@data_science_dojo

--

Also, join our communities:

LinkedIn: https://www.linkedin.com/groups/13601597/

Twitter:

Facebook: https://www.facebook.com/groups/AIandMachineLearningforEveryone/

Vimeo: https://vimeo.com/datasciencedojo

Discord: https://discord.com/invite/tj8ken4Err

_

Want to share your data science knowledge? Boost your profile and share your knowledge with our community: https://hubs.la/Q01ZZNCn0

#predictiveanalytics #prescriptiveanalytics #dataanalytics

#predictive analytics #prescriptive analytics #data analytics #predictive models #predictive analysis #regression #classification #decision making #data analysis #descriptive analytics #time series analysis #time series forecasting
Introduction - What is Predictive Analytics?

Introduction

What is Predictive Analytics?
2022年09月15日 
00:00:00 - 00:01:34
From noise to wisdom - What is Predictive Analytics?

From noise to wisdom

What is Predictive Analytics?
2022年09月15日 
00:01:34 - 00:08:15
Connecting the dots - What is Predictive Analytics?

Connecting the dots

What is Predictive Analytics?
2022年09月15日 
00:08:15 - 00:20:10
Predictive analytics - What is Predictive Analytics?

Predictive analytics

What is Predictive Analytics?
2022年09月15日 
00:20:10 - 00:47:55
QnA - What is Predictive Analytics?

QnA

What is Predictive Analytics?
2022年09月15日 
00:47:55 - 00:58:50
00:00:00 - 00:00:02: 非常に幅広い聴衆がいます 00:00:02 - 00:00:05: ので、 00:00:05 - 00:00:09: おそらく第 2 部ではより技術的な部分を用意する予定です。 00:00:09 - 00:00:11: これは一般の聴衆向けです。説明したとおり、 00:00:16 - 00:00:20: 予測分析の使用方法について、私たちが話したことすべてについて説明します。 00:00:20 - 00:00:22: イベントや、 00:00:22 - 00:00:26: 次に何が起こるのか、 00:00:26 - 00:00:27: データを適切に活用する方法を理解する 00:00:27 - 00:00:31: ため、この会話を 3 つのパートに分けて、 00:00:31 - 00:00:34: 最初に、私たちが 00:00:37 - 00:00:41: 今生きているこの非常に多忙な瞬間について話し、次に、この状況をどのように理解できるかについて話します。 えー、 00:00:44 - 00:00:47: 予測モデルの使用から得られるデータ、そして最後に、 00:00:47 - 00:00:52: コードを使用して予測分析のモデルをチェックする方法について、まあまあです。 00:00:55 - 00:01:00: 私はデータサイエンティストです。私には 00:01:00 - 00:01:05: 多くの役割があります。多くの役割を担っています。 00:01:05 - 00:01:09: おそらく私が最も働いているのは、 00:01:09 - 00:01:15: 私はテクノロジー企業で 00:01:15 - 00:01:18: 教授として、また研究者として学術界で働いています。 00:01:18 - 00:01:21: 私はコンサルタントでもあります。先ほども 00:01:21 - 00:01:24: 述べたように、データとテクノロジーを 00:01:28 - 00:01:31: 使用して基本的権利へのアクセスを改善または民主化する方法について、私はスマートシティに焦点を当てて仕事をしています。 00:49:54 - 00:49:55: それでは、 00:01:35 - 00:01:37: もう一度最初の部分から始めましょう。どの部分でも遠慮なく止めてください。 00:32:47 - 00:32:49: これは 00:01:39 - 00:01:43: 必ず会話になるでしょうし、 00:01:43 - 00:01:46: これが非常に 00:01:46 - 00:01:50: クレイジーで複雑な瞬間であることはわかっています。 00:01:50 - 00:01:53: ほぼすべての国で新型コロナウイルス感染症によるインフレが発生し、 00:01:53 - 00:01:57: 失業率が上昇しています。 不況が起きる、 00:01:57 - 00:02:01: それで十分でないとしたら、 00:02:01 - 00:02:03: 2月に始まった戦争があり、 00:02:03 - 00:02:06: 実際にいつ戦争が起こるか分からない、それは 00:02:06 - 00:02:09: ロシアではない、ウクライナが唯一の 00:02:09 - 00:02:12: ウクライナ、我々が今抱えている唯一の水、 00:02:14 - 00:02:18: そう言った。 明るい面を見れば、この状況は 00:02:18 - 00:02:22: 2000年から20年続き、 00:02:24 - 00:02:28: パンデミックも含めることができるでしょう。 00:02:28 - 00:02:33: 高齢化よりも感染症で亡くなる人が少なく、 00:02:36 - 00:02:38: 肥満よりも飢餓で亡くなる人が少ないのですが、 00:02:38 - 00:02:41: 事故より暴力で亡くなる人は別として、それはまさに 00:02:41 - 00:02:45: デュアルによるものです。 ハラレ、それは 00:02:45 - 00:02:49: テクノロジーのおかげです。実際、私たちは 00:02:49 - 00:02:53: 予測分析のおかげで 2020 年にワクチンを入手できました。 00:02:56 - 00:03:00: 前に述べたこの会社は、 00:03:00 - 00:03:02: テクノロジーと予測分析を使用または活用してワクチンを製造しているため、 00:03:02 - 00:03:06: 繰り返しになりますが、 00:03:07 - 00:03:11: 予測のためのモデルは検討していません。 00:03:11 - 00:03:15: 正しい治療法を見つけるためのモデルを検討しているので、 00:03:15 - 00:03:17: これが非常に重要であり、 00:03:17 - 00:03:22: ソクラテスは、私が知っている唯一のことは、 00:03:22 - 00:03:26: 私は 00:03:30 - 00:03:34: 何も知らないということです、ええと、それは複雑です、私たちは私たちが知っていることを知っていることを知っているので、私たちはおそらく私 00:03:34 - 00:03:38: たちが知っていることを知っていると言いました 知らない、それはとても小さな 00:03:38 - 00:03:40: ことです、私たちが知っている、私たちが知らないということは、私たちが 00:03:44 - 00:03:47: 知らないことを知らないときに複雑さが生じます、それはおかしいようです、 00:03:47 - 00:03:50: 冗談のように聞こえますが、それは 00:03:50 - 00:03:53: 本当に問題です 複雑なのは当然です。なぜなら、 00:03:56 - 00:03:59: 最初は愚かな愚かな 00:03:59 - 00:04:02: ことを間違えたら、刑務所に行くことさえあるからです。たとえば、知らない 00:04:02 - 00:04:04: 国で運転しているときにできることなので、 00:04:04 - 00:04:07: 複雑です 00:04:07 - 00:04:12: だからこそ、私たちが正しく知っていることを理解する必要があります。 00:28:24 - 00:28:27: それが 00:04:16 - 00:04:21: おそらく予測分析を使用または活用して、 00:04:21 - 00:04:24: このグループを 00:04:24 - 00:04:28: ここに移動し、ここのグループも正しく移動できる方法です。そうし 00:04:28 - 00:04:31: ないと、多くの 00:04:31 - 00:04:33: 大きなスポットができることになります 00:04:34 - 00:04:38: このエピソードを覚えているでしょう、 00:04:38 - 00:04:42: フィービーが私たちが知ら 00:04:42 - 00:04:44: ない、私たちが知っていると言っているときにみんなが 00:04:46 - 00:04:49: それを知るというエピソードです、それは興味深いことです、なぜなら私たちがみんなに 00:04:49 - 00:04:52: 知ったときにみんなと言うと、私たちは 00:04:52 - 00:04:56: みんなの資金に巻き込まれる可能性があるからです、だから 00:04:56 - 00:04:59: 私たちは言っているのです 00:04:59 - 00:05:03: それが私たちの宇宙の一部であると仮定していますが、私たちは 00:05:05 - 00:05:08: 宇宙全体を持っているので、まず 00:05:10 - 00:05:14: それを理解する必要があり、それからそれを移動して未知のことを知る必要があります。彼らは私たちの 00:05:14 - 00:05:16: ノードを正しく知っているので、 00:05:16 - 00:05:20: だから私たちはそこから移動する必要があります 00:05:20 - 00:05:24: 記述的分析は私を 00:05:24 - 00:05:26: 誤解しないでください、それを持っているか、それを理解しています 00:05:26 - 00:05:29: 昨日何が起こったかの全体像はたくさんあります、 00:05:29 - 00:05:32: なぜなら私たちは 00:05:32 - 00:05:35: その権利に基づいて決定を下す必要があるからです 私たちは彼らが知っている 00:05:35 - 00:05:37: 重要な分析を理解する必要があります 00:05:37 - 00:05:41: 私は未知のことを知っています 00:05:41 - 00:05:44: 答えは毎月得られるはずだけど、 00:05:44 - 00:05:47: でもそれは前にも言ったように非常に反応的なもので、私たちは 00:05:53 - 00:05:57: 現実が毎日変わる非常に多忙な瞬間を生きているのですから、 00:06:00 - 00:06:02: 今何が起こっているのかを理解する必要もないのです。 00:06:03 - 00:06:04: 社内だけでなく、外で何が起こっているかを把握する必要がある 00:06:04 - 00:06:07: ため、 00:06:07 - 00:06:10: 保存されたプロセスを胸に記録し、 00:06:10 - 00:06:13: 最終的には賞の内外でそれを正しく消費する必要があるため、ドリル 00:06:19 - 00:06:20: ダウンし 00:06:20 - 00:06:25: て維持する能力が必要であることを理解する必要があります 00:06:25 - 00:06:29: 情報の主体にたどり着くまで、「なぜ、なぜ」と尋ねることで、 00:06:32 - 00:06:36: 予測分析を使用して未知のことを理解し、 00:06:36 - 00:06:39: がんになったり答えが得られるだけでなく、より 00:06:39 - 00:06:42: 多くの疑問を正しく持つことができます。それが私たちが 00:06:42 - 00:06:45: より積極的になれる方法を取り戻す方法であり、 00:06:45 - 00:06:49: それが新しいことです。 正常です。Dojo 00:06:49 - 00:06:53: から、最高の 00:06:53 - 00:06:57: モデル ml モデルを使用できることが分かりました。最高のツールを使用できます 00:06:57 - 00:07:01: が、 00:07:01 - 00:07:04: データを作成した場合、または十分なデータがない場合は 00:07:04 - 00:07:08: 価値がありません。だからこそ、 00:07:08 - 00:07:09: チャンスなく作業する必要があります。 モデルについては、 00:07:09 - 00:07:12: モデル、データ、 00:07:12 - 00:07:16: テクノロジーに関するものです。そこでまず重要なことは、 00:07:18 - 00:07:22: 今そこで何が起こっているのかを理解して、 00:07:22 - 00:07:25: 外部データをより効率的に使用できるようにデータを調整することです。外に 00:07:25 - 00:07:27: あるすべてのものをキャプチャしに行く必要があります。 00:07:27 - 00:07:30: ショットはありません。 私たちの歴史 私たちの 00:07:30 - 00:07:33: 売上の歴史だけでなく、 00:07:33 - 00:07:36: 競合他社で何が起こっているのか 00:07:36 - 00:07:37: 政府で何が起こっているのか 00:07:37 - 00:07:40: 世界で何が起こっているのか 00:07:42 - 00:07:44: 神戸で何が起こっているのか ロックダウンで何が起こっているのか 00:07:44 - 00:07:47: あらゆるもので何が起こっているのか 00:07:47 - 00:07:50: おそらく正しく答える必要がある 00:07:50 - 00:07:55: 質問ではない質問に 00:07:55 - 00:07:58: 答えているので、 00:07:58 - 00:07:59: データ アーキテクチャを最新化する必要がある 00:08:01 - 00:08:05: データ エコシステムの作成を加速する 死角がどこにあるのかを理解する 00:08:09 - 00:08:11: 各質問に必要なデータを特定し、最終的に分析 00:08:11 - 00:08:14: する 主要な指標は正しい 00:08:14 - 00:08:16: ので、第 2 の部分に進みましょう。 00:08:16 - 00:08:19: すべてを正しく理解するために点と点を結びつける方法です。 00:08:19 - 00:08:22: スティーブ・ジョブズが 00:08:24 - 00:08:26: 代表者にプレゼンテーションするときに実際に言うように、彼は 00:08:26 - 00:08:29: 3 つの異なるストーリーをすべて話します。 00:08:29 - 00:08:32: そして最後に、彼はたくさんつながりました ハリー 00:08:32 - 00:08:34: または すべてが 00:08:34 - 00:08:37: 意味のあるものになる、またはすべてが意味のあるものになるということは、 00:08:40 - 00:08:45: 私たちが知っているように、最も便利な bi Analytics ツールは 00:08:45 - 00:08:49: Excel です、皆さんは 00:08:49 - 00:08:52: データをダウンロードして Excel でデータを処理し 00:08:55 - 00:08:57: データが 00:08:57 - 00:09:02: アンロードされた同じシステムにデータを再度アップロードします から、そしてこの男は 00:09:02 - 00:09:05: 退職者ですら、お金を稼ぎ続けています。 00:09:05 - 00:09:08: これは、誰もが 00:09:08 - 00:09:11: 再び友人やフィービーに戻って 00:09:11 - 00:09:15: 使用し、信頼しているツールだからです。 00:09:15 - 00:09:18: それが彼らが快適に感じているからです。 00:09:18 - 00:09:23: でも、Excel を使用することは、期限切れの引き出しを食べるようなものです。 00:09:26 - 00:09:29: そのデータがいつどこから来たのか、 00:09:29 - 00:09:31: そのデータがいつ 00:09:31 - 00:09:34: ダウンロードされたのかがわからないため、 00:09:34 - 00:09:38: リアルタイム データを正しく使用する必要があり、 00:09:38 - 00:09:40: Web サイト全体について話すときは、その週に 00:09:40 - 00:09:44: ソースに接続していることがわかります。 00:09:44 - 00:09:47: データを保存するシステム 00:09:47 - 00:09:50: 分析を行い、最後に 00:09:50 - 00:09:52: 予測を行う 重要なのは、 00:09:52 - 00:09:54: 従来のモデルまたは従来の 00:09:54 - 00:09:58: 予測モデルは従来のリレーショナル データベースを使用している、または使用するであろうということですが、 00:10:02 - 00:10:06: ご存知のとおり、リレーショナル 00:10:06 - 00:10:10: データベースは行と列の形式です。 00:10:10 - 00:10:12: 私たちは以前から知っていたのですが、 00:10:15 - 00:10:17: そこに存在するのはデータの 10 パーセントだけで、残りの 00:10:17 - 00:10:22: 80 ~ 90 パーセントは非構造化 00:10:22 - 00:10:25: データです。写真、ビデオの形式のデータです。 00:10:25 - 00:10:30: ジェイソンの WhatsApp メール、あなたはそれを正確に名前を付けていますが、 00:10:30 - 00:10:32: 私たちは大きなデータを見逃しています。 00:10:32 - 00:10:35: データを保存するときは 00:10:35 - 00:10:38: このようなことを行い、 00:10:38 - 00:10:40: 分析を行うときはこのようなことを行い、 00:10:40 - 00:10:44: 一部の企業を一部の人々に予測するときは、まさに 00:10:44 - 00:10:47: ユートピアです。 00:10:48 - 00:10:52: 良いニュースは、人を殺すことはできないということです。 00:10:52 - 00:10:56: Excel を使えば、 00:10:56 - 00:11:00: 予測モデルを作成するためのモデルの作成を開始できます。また、 00:11:00 - 00:11:04: アクセラレータを使用してデータの流れを自動化し、 00:11:04 - 00:11:07: 仲介者を排除できます。 00:11:08 - 00:11:11: データを理解する必要があります。データを理解する必要があるため、 00:11:11 - 00:11:15: 何かを提供する人は誰もいません。 00:11:17 - 00:11:20: あなたが過去に見つけたのと同じ方法です。なぜなら悪い 00:11:20 - 00:11:22: ニュースは、世界がこれまで正しく 00:11:22 - 00:11:26: 使われてきたほど直線的ではないということです。 00:11:26 - 00:11:29: これは非常に良い例です。2000 年代 00:11:29 - 00:11:33: にすべてがこのようになっていたとしたら、 00:11:33 - 00:11:36: 彼らはそうなっていただろう 00:11:38 - 00:11:41: 価格や不動産は 00:11:44 - 00:11:46: ビットコインと同じように成長し、成長し、永遠に成長し続けるだろうと考える人もいるでしょう。 00:11:46 - 00:11:50: ですから、2008 年のような状況が来るとは誰も想像していませんでした。 00:11:53 - 00:11:56: だからこそ、私たちは理解する必要があるのです。 00:12:03 - 00:12:04: パターンを理解するために何が起こっているのかという文脈 00:12:04 - 00:12:09: ビットコインを実際に見ると、ビットコインは 00:12:09 - 00:12:12: Facebook と変わりません。たとえば、ビットコインを 00:12:12 - 00:12:14: 比較すると、完全な 00:12:15 - 00:12:20: ごめんなさい、両方とも同じ同じ形をしています。 00:12:20 - 00:12:22: 私たちが生きているすべてのものは正しいです。 弱気市場では、 00:12:22 - 00:12:25: すべてが下落し、すべてが 00:12:25 - 00:12:31: 下落し、私たちは歴史の中で興味深い瞬間を迎えています。それは、 00:12:34 - 00:12:38: 私たちが製品を正しく見ることができるということです。 00:12:38 - 00:12:40: 物事が起こっているのを正しく見ることができ、 00:12:40 - 00:12:44: これを私たちが生きている文脈と正しく結び付けることができれば、 00:12:51 - 00:12:55: 2008年に世界最大手の銀行がおそらく暴行を加えることを信じた人は 00:12:55 - 00:13:01: ほとんどいなかった その後、その大手外国銀行を信じた人はほとんど誰もいなかった 00:13:05 - 00:13:09: 2010年、2020年にはほぼすべての 00:13:09 - 00:13:11: 政府、私が育ったラテンアメリカの 00:13:11 - 00:13:14: 政権が存在するとはほとんど誰も思わないだろう ラテンアメリカでは、 00:13:16 - 00:13:19: 私が育ったアルゼンチンのような国では、 00:13:19 - 00:13:23: 国全体を1年間封鎖しましたが、 00:13:24 - 00:13:28: カーンの言うことが正しいと思った人は誰もいませんでしたが、多くの人が 00:13:28 - 00:13:32: 道路を正しく接続して何百万もの 00:13:32 - 00:13:36: お金を稼ぎ続けたので、それは 00:13:36 - 00:13:39: 私たちが必要なことです 00:13:39 - 00:13:42: すべてを正しい文脈に置く必要があること、 00:13:45 - 00:13:48: 以外の場合は、 00:13:48 - 00:13:50: 正しい質問に答えることも意味することを理解することは、チームが最初に 00:13:50 - 00:13:52: 何かをするが重要であると言うでしょうが、それが重要になるわけではありません、 00:13:52 - 00:13:54: あなたは 00:13:55 - 00:13:58: 間違った質問に適切に答えているので、私たちはそうしません 00:13:58 - 00:14:01: 答えを得る必要がある 00:14:02 - 00:14:05: どれが適切な質問であるかを理解する必要 00:14:05 - 00:14:07: がある 外部データを使用して他のユーザーと接続する必要がある 00:14:10 - 00:14:13: データソースとより具体的な 00:14:13 - 00:14:17: レベルを取得する必要がある これを自動化する方法 00:14:17 - 00:14:21: と機能を理解しています フィルター 00:14:21 - 00:14:24: ストア プロセスをキャプチャし、最終的に消費して 00:14:24 - 00:14:27: 正しく予測する それが、 00:14:31 - 00:14:34: モデルを作成したり GitHub からモデルをダウンロードするだけではなく、 00:14:39 - 00:14:43: 予測分析をどのように使用する必要があるのか​​、それが理由です。だから、もう一度記述分析について話すとき、私はこれを知っています 00:14:43 - 00:14:45: それは時々セマンティクスですが、基本的に、 00:14:45 - 00:14:47: 過去について話すとき、 00:14:49 - 00:14:51: 一部の企業では再び記述的分析の話になります。私は 00:14:51 - 00:14:53: コンサルタントです。一部の企業ではこれを毎日見ています。 00:14:56 - 00:14:57: 昨日起こったことを理解するのは大変なことです。なぜなら、 00:14:57 - 00:15:00: 彼らはアクセントを付けてすべてを行うことがあるからです 00:15:02 - 00:15:05: 先月の売上を正確に知りませんし、 00:15:05 - 00:15:08: それには多くの課題があることはご存知でしょう。だから 00:15:08 - 00:15:11: 情報を得るのは大変なことですが、 00:15:11 - 00:15:13: Excel を使用して作業する必要があります。 00:15:13 - 00:15:15: 最適化にも 00:15:15 - 00:15:18: 取り組む必要があります。 予測分析 00:15:18 - 00:15:21: 分析 規範的分析 00:15:21 - 00:15:23: コグニティブ ラーニングやディープ ラーニングなどです。 00:15:25 - 00:15:28: だからこそ、分析の成熟度は、 00:15:31 - 00:15:35: 適切に尋ねることができる質問の種類と関係しており、 00:15:35 - 00:15:40: Excel から予測分析に移行するときの 00:15:43 - 00:15:46: 複雑さの度合いも関係しています。 低いので、より 00:15:46 - 00:15:50: 多くのモデルを簡単に実行し続けることができます 00:15:50 - 00:15:54: 規模の経済、範囲の経済に頼ることができ、 00:15:54 - 00:15:57: 成長を続けることができます 00:16:01 - 00:16:03: さまざまなモデルや異なるモデルでこれをより頻繁に行うことができます 00:16:03 - 00:16:06: これは仮想サイクルであることがわかり、 00:16:06 - 00:16:09: 同時にビジネス価値も高まります つまり、 00:16:12 - 00:16:14: 意思決定のタイミングは 00:16:14 - 00:16:18: 40 ~ 60 パーセントの間である、というルールがあります。情報が 00:16:18 - 00:16:20: 40 パーセント未満の場合は 00:16:20 - 00:16:23: 十分ではありません。60 パーセントを超える場合は、おそらく十分なデータがあるでしょう。 00:16:26 - 00:16:31: 十分なデータがありますが、実際には、 00:16:31 - 00:16:33: 電話をかけた 00:16:35 - 00:16:38: 瞬間に決断を下すのは遅いのです。あなたが決断を下すたびに、 00:16:38 - 00:16:41: ティムが最初に 00:16:41 - 00:16:43: 間違った 00:16:43 - 00:16:46: 質問や質問の変更で道路に向かって言うように、あなたはうまく答えています。それが 00:16:46 - 00:16:49: あなたが必要な理由です 00:16:49 - 00:16:54: これを適切に実行するためのシステムまたはアーキテクチャを用意し、 00:16:54 - 00:16:57: これらの予測モデルに依存する必要があります。 00:17:05 - 00:17:07: 偉大な発明があったとしても、 00:17:07 - 00:17:09: 最も革新的な 00:17:09 - 00:17:13: 革新的なモデルは、 00:17:13 - 00:17:17: 概念を単純化できるモデルです。 00:17:17 - 00:17:20: それらを再発明する必要はありません。 そうですね、 00:17:20 - 00:17:23: 時々、再びそこにあるものをゆっくりと活用することができます。いいえ、 00:17:26 - 00:17:28: コードは示していませんが、 00:17:28 - 00:17:33: おそらくすぐにハンズオンセッションを開催して、 00:17:33 - 00:17:36: この MOD を使用して実行またはプレイする予定です。しかし、 00:17:36 - 00:17:40: 場合によっては、おそらくコミュニティの内容に頼ることができます。 00:17:40 - 00:17:42: オープンソース コミュニティは 00:17:42 - 00:17:45: ここ 2 ~ 3 年で非常に急速に成長しています。 00:17:50 - 00:17:53: コミュニティが正しく行っていることはご存知のとおり、多くのことに基づいて多くの画期的な進歩があります。だからこそ、 00:17:56 - 00:18:00: 概念を簡素化する必要があり、彼らが正しくすることを悔い改めないようにする必要があるの 00:18:00 - 00:18:04: です。 00:18:04 - 00:18:07: データの文化は意思 00:18:07 - 00:18:11: 決定の文化であるため、私たちがデータ サイエンティストであるかどう 00:18:11 - 00:18:14: か、 00:18:14 - 00:18:18: コンピューター サイエンティストであるかどうかはわかりません。また、 00:18:18 - 00:18:21: 開発者 DevOps やデータ 00:18:21 - 00:18:24: エンジニアであるかどうかもわかりません。何をするにしても、私たちは 00:18:24 - 00:18:28: ビジネスをサポートする必要があります。 00:18:28 - 00:18:30: 意思決定のための情報を持っている 00:18:30 - 00:18:33: ところで、私たちが自分たちを 00:18:33 - 00:18:36: データサイエンティストと呼ぶ場合、3つの柱を正しく持つ必要があります。もちろん、 00:18:36 - 00:18:39: 最初の柱は 00:18:39 - 00:18:43: コーディングです。コンピューターサイエンスですが、それだけでは 00:18:43 - 00:18:47: 十分ではありません。自分が 00:18:47 - 00:18:50: 得意であるという理由だけでデータサイエンティストを名乗ることはできません。 00:18:50 - 00:18:53: Python またはあなたが得意なことは、数学と統計という仙骨の柱が必要であることはわかっていますか。3 00:18:56 - 00:19:00: 番目の柱は 00:19:00 - 00:19:05: ドメインを持つことです。そうで 00:19:05 - 00:19:09: ない場合、それをビジネス上の質問にどのように適用するかは、 00:19:12 - 00:19:14: 自分がやっていることが抽象的なものにすぎません。 安全性に関する 00:19:14 - 00:19:17: 理論的な研究を行っているため、 00:19:17 - 00:19:20: 少なくともこの 00:19:20 - 00:19:22: 点を正しく理解する必要があります。統計の専門家である必要はありません。あるいは、 00:19:25 - 00:19:29: ビジネスの取り組みの専門家である必要がありますが、 00:19:29 - 00:19:31: 単に自分自身をデータサイエンティストと呼ぶことはできません。 00:19:31 - 00:19:33: あなたが Python のブートキャンプに参加したからチャットしてください。 00:19:33 - 00:19:37: そのため、 00:19:37 - 00:19:40: 3 つの柱のデータ文化が必要です。 00:19:44 - 00:19:47: 私たちがニューヨーク大学で行っていることの中で、データへのアクセスを再び民主化してください。 00:19:47 - 00:19:50: 彼らがやるべきことと、オープン 00:19:50 - 00:19:53: ソース コミュニティが行っていることは、 00:19:53 - 00:19:55: あなたの考えが非常に正しいです。 ひどい競争を見せることもできます 00:19:55 - 00:19:58: し、ミートアップを見せることもできますが、もちろん、 00:20:00 - 00:20:04: 増大する正しいデータリスクを維持することは 00:20:04 - 00:20:07: 文化の触媒であり、最終的には 00:20:07 - 00:20:09: 才能と文化を結びつけることになります。 00:20:09 - 00:20:13: 最後の部分に行きましょう。もう一度、 00:20:13 - 00:20:17: もっと多くの分野と質問をしたいと思っています。 00:20:18 - 00:20:21: 心を開いてください。 00:20:21 - 00:20:24: 私たちは、 00:20:24 - 00:20:28: ご存知のとおり、 00:20:28 - 00:20:31: Amazon 経由で何かを購入したり、Netflix 00:20:31 - 00:20:35: で番組を見たり 00:20:35 - 00:20:38: 、Spotify で何かを聴いたりするときと同じ操作をしたいと考えています。 00:20:40 - 00:20:43: 私たちが正しいことをする 00:20:43 - 00:20:45: すべてを再現する必要があるもの、 00:20:45 - 00:20:47: 彼らは 00:20:48 - 00:20:50: 私たちの全歴史を正しく知っているので、私たちが何が好きなのかを正確に知っています、 00:20:50 - 00:20:53: そして彼らはまた、 00:20:55 - 00:20:58: 同じようなプロフィールを、同じようなプロフィールを比較するので、 00:20:58 - 00:21:01: 群衆の魔術師と呼ばれていることを知っています 00:21:04 - 00:21:08: 同じ曲や番組など、 00:21:08 - 00:21:09: 好きなものを最初から最初から始める場合、私たちが正しく 00:21:15 - 00:21:18: 行うすべてのことを 2 時間の操作で再現する必要があります。それが 00:21:18 - 00:21:22: 予測分析の最終目標であり、ビジネスに適用する権利があります。 00:21:25 - 00:21:27: ビジネス上の質問がそうでない 00:21:27 - 00:21:31: 場合は、 00:21:36 - 00:21:40: 必要がないことがわかるまで、または仕事にもう必要がないことがわかるまで、Excel でデータを処理し続けるつもりです。私たちが 00:21:45 - 00:21:49: 抱えている職業について考えてみると、 今日は、 00:21:49 - 00:21:53: たとえば、運転手、運転 00:21:53 - 00:21:57: 手、弁護士、銀行家は彼らが 00:21:57 - 00:22:00: 得意なことです。右の部分をフォローしてください。 00:22:00 - 00:22:04: 運転手は、成功する方法や通りを避ける方法を知っています。 00:22:07 - 00:22:11: 弁護士は何を 00:22:11 - 00:22:14: していますか。多くの本を読んでいます。 00:22:14 - 00:22:17: 資料がたくさんある、歴史がたくさんある、本がたくさんある、 00:22:20 - 00:22:23: 銀行と同じパートナーを見つけるまではとても楽しい、 00:22:23 - 00:22:25: 考えてみれば、彼らは 00:22:25 - 00:22:29: テクノロジーが予測分析で電子メールがやっていて、正しい 00:22:32 - 00:22:36: 部分を見つけることができると言われている、それが彼らがあなたである理由です 00:22:40 - 00:22:44: これと同じように、タクシーの運転手は自動運転車と競争しているわけではありません。彼らは相互接続された自動 00:22:47 - 00:22:49: 運転車のフリートと競争しているのです。 00:22:54 - 00:22:57: インターネットに接続されており、 00:22:57 - 00:23:01: 安全であることはご存知の集合知です。 つまり、人間の直観は 00:23:01 - 00:23:03: 実際には認識の一部です たとえば、 00:23:03 - 00:23:08: サラが大学に通っているとします。彼女は 00:23:08 - 00:23:11: 5年間医学を学んだのです。彼女は 00:23:11 - 00:23:14: 彼女です。サラ医師に喩えています 00:23:14 - 00:23:18: が、あなたが 00:23:20 - 00:23:22: サラが最初に診察する患者である場合、 00:23:22 - 00:23:25: おそらく問題が発生する可能性があると最終的に処方しました。 運が 00:23:25 - 00:23:29: 良ければ、彼女はおそらく 00:23:30 - 00:23:34: あなたの前に何百人もの患者を見てきたでしょう、そして 00:23:34 - 00:23:35: 彼女はあなたに、 00:23:39 - 00:23:42: 分析とMLが正しく行うのと同じ優れた開業医を提供するつもりです、そして 00:23:42 - 00:23:45: もちろん、あなたがモデルを訓練する最初の理由は 00:23:45 - 00:23:47: 間違っています 00:23:48 - 00:23:50: 陽性と偽陰性、 00:23:50 - 00:23:53: それが正しい仕組みです。モデルをトレーニングします。 00:23:53 - 00:23:57: ビジネス上の課題があります。 00:23:57 - 00:23:59: 履歴データを使用してモデルをトレーニングし、 00:23:59 - 00:24:03: 次にモデルとキーを作成して 00:24:03 - 00:24:06: モデルをテストし、最後にモデルを 00:24:06 - 00:24:09: 実稼働環境に移行します。これは同じ 00:24:09 - 00:24:13: 将来のことです。 医療というのは実はとても 00:24:13 - 00:24:14: 興味深いものです なぜなら誰もが 00:24:15 - 00:24:18: 治療法にアクセスできるようになり、それが 00:24:18 - 00:24:22: 民主党の 00:24:22 - 00:24:25: プロセスになるでしょう 今日、私たちはたくさんの 00:24:25 - 00:24:28: デバイス、たくさんのセンサー、たくさんの 00:24:28 - 00:24:30: ウェアラブルを使ってデータを収集しています 00:24:30 - 00:24:34: これらのモデルは 00:24:34 - 00:24:36: おそらくさまざまな病気を予測するために使用でき 00:24:36 - 00:24:39: 、最終的には分析が正しい 00:24:39 - 00:24:42: 予測分析を提供し、いつ私たちが 00:24:42 - 00:24:44: 困難に直面し 00:24:44 - 00:24:47: ているかを示します、これは未来ではなく、すでに起こっていることです、 00:24:47 - 00:24:52: これは私たちが毎日見ていることであり、今日 00:24:52 - 00:24:54: 私たちは 非常に興味深い瞬間で、 00:24:54 - 00:24:56: 予測分析は 00:24:56 - 00:24:59: 道路に接続されているすべての機能に接続されている 00:24:59 - 00:25:02: ため、履歴データを見つけに行く必要があると述べましたが、 00:25:05 - 00:25:07: それだけでは十分ではなく、 00:25:07 - 00:25:11: データセットとマクロ 00:25:11 - 00:25:13: 変数を供給し続ける必要があり、政府に行く必要があります 00:25:13 - 00:25:14: 業界に行く必要がある、そう 00:25:15 - 00:25:18: しないためには 00:25:18 - 00:25:22: サプライチェーンに行く必要がある、新型コロナウイルス感染症のデータに基づいて起こっていることすべてを理解する必要がある、 00:25:27 - 00:25:29: まだBのようなコードが残っているから、 00:25:29 - 00:25:31: 一部の都市ではまだロックダウンが続いているからだ。 00:25:31 - 00:25:36: 金融危機については、 00:25:36 - 00:25:38: 別の危機に戻って相関関係を作り、 00:25:38 - 00:25:41: これが 00:25:41 - 00:25:44: おそらく現在の価格にどのような影響を与えているかを理解することができますし、かつての大 00:25:47 - 00:25:49: 惨事もそうです、それが仕組みです 00:25:49 - 00:25:53: 水晶玉のそばに住んでいる彼はすぐに 00:25:53 - 00:25:57: すりガラスを食べることを学びます正しい 00:30:50 - 00:30:53: 予測分析について話すとき、 00:25:59 - 00:26:02: 3 つのコンポーネントがあることがわかります。 00:26:02 - 00:26:04: 最初の 1 つは 00:26:04 - 00:26:07: トレンドです。何かが上昇していることを確認し、 00:26:07 - 00:26:09: 何かが下降しているかどうかを確認します。 00:26:12 - 00:26:15: などです。季節性は季節性です。今日は単に冬と夏だけではありません。 以前 00:26:15 - 00:26:18: は、私たちは非常に複雑な形をしていて、 00:26:18 - 00:26:21: 天気そのものについて話すだけでなく、 00:26:24 - 00:26:26: トレンドが 00:26:26 - 00:26:30: 毎日どのように変化するかについても話し、最後にノイズが発生する 00:26:30 - 00:26:32: 可能性があります。ノイズは 00:26:32 - 00:26:34: 私たちが知らない情報のすべてであると言えます。 00:26:41 - 00:26:44: 他のソースからデータをキャプチャするときに、より多くのデータを注入するとき、より多くの外部データを収集するとき、 00:26:44 - 00:26:48: ノイズは少なくなるでしょう、それは正しいことです。 00:26:48 - 00:26:51: また、予測分析は、お客様のカーペットで行う 00:26:51 - 00:26:54: 多くの操作をすべてサポートできます。 00:26:57 - 00:27:00: それぞれがマーケティングに関連していることがわかります 00:27:00 - 00:27:03: ターゲティング セグメンテーションの特定 オン 00:27:03 - 00:27:06: ボーディング リスクは財務よりもリテンションに関連したものなどです 00:27:06 - 00:27:10: そうですね、 00:27:10 - 00:27:14: これを見ればおそらく一連の 00:27:14 - 00:27:18: 数字でしょう 時間があまりない 00:27:18 - 00:27:24: ので言うと 20 25 30 35 40 45 50 00:27:24 - 00:27:28: 何かと 60。 00:27:28 - 00:27:32: ここまたはどこかに何が欠けているのか誰か教えてください。 00:27:32 - 00:27:38: 勇敢な 00:27:38 - 00:27:43: 55 正解です。はい、とても良いです。 00:27:46 - 00:27:50: ここも同じです。覚えています。私は 00:27:52 - 00:27:56: あなたを助けるつもりです。つまり、基本的に、あなたたちがやったことは 00:27:56 - 00:28:00: 検出です パターンは正しいので、 00:28:00 - 00:28:02: 従属変数があり、 00:28:02 - 00:28:06: 独立していました。これが理由であるはずです。ちなみに、 00:28:07 - 00:28:09: 依存変数には 00:28:09 - 00:28:13: 独立変数があり、 00:28:13 - 00:28:16: トレンドが何であるか、 00:28:16 - 00:28:20: 製品が何であるかを見つけました、または見つけました こことここは同じなので、 00:28:21 - 00:28:24: あなたはあなた 塊を作り、点と点を正しく結びつける方法を理解しました。 00:28:27 - 00:28:31: 医学の仕組みです。 00:28:35 - 00:28:39: 過去のデータに基づいて何かや理解された課題に処方箋を与えます。 00:28:39 - 00:28:42: データ サイエンスに行く場合、 00:28:42 - 00:28:47: おそらく Python が最もよく使われる 00:28:47 - 00:28:51: 言語です。 コーディングの 00:28:51 - 00:28:53: ためですが、今日は非常に 00:28:53 - 00:28:55: 興味深いものもあります。近くで見つけました。私は 00:28:55 - 00:29:00: AWS 認定エンジニアであり、 00:29:00 - 00:29:03: Azure 認定エンジニアでもあり、 00:29:03 - 00:29:08: TCP も正しく使用していますが、クラウドは無料のソリューションも提供している 00:29:08 - 00:29:11: ので、それは 00:29:11 - 00:29:13: あなたができないことです 始める必要がある、 00:29:13 - 00:29:16: またはその方法を学ぶ必要がある場合は、おそらくマス数学の開始である 00:29:16 - 00:29:20: 他の 2 つの列または柱に集中することができます。 00:29:21 - 00:29:25: また、質問が 00:29:25 - 00:29:29: 正しい場合もあり、 00:29:30 - 00:29:35: SAS や SAS などのようにコンピューターに直接保存できるフレーム上のソリューションもあります。 DX 00:29:35 - 00:29:38: 統計パッケージですよね、 00:29:38 - 00:29:41: 時々期待されるのは、 00:29:41 - 00:29:43: データを収集することです データをダウンロードしてモデルをトレーニングする 00:29:43 - 00:29:48: GitHub から何かをダウンロードする ああ、あなた 00:29:48 - 00:29:51: は金持ちです 真実は、もう一度 00:29:51 - 00:29:53: 数学を学ぶ必要があります 00:29:53 - 00:29:56: コードをコピーして貼り付けるだけをダウンロードするだけではなく、 00:29:56 - 00:29:59: それが最も興味深い部分です 00:29:59 - 00:30:04: このモデルは、 00:30:04 - 00:30:07: 予測分析モデルを適切に実装する方法を示しています 00:30:08 - 00:30:11: これは社内での 00:30:11 - 00:30:13: 会話の一部ではありませんが、ml について話すとき、 00:30:13 - 00:30:15: おそらく、M の最も人気のある 3 つの 00:30:15 - 00:30:19: バージョンは、 00:30:19 - 00:30:23: どこで 00:30:23 - 00:30:29: 使用するかを学習する教師ありバージョンです。 ラベルデータ このモデルをトレーニングします 00:30:29 - 00:30:32: スーパー そのため、過去のデータで監視されており、 00:30:32 - 00:30:35: データにラベルを付け 00:30:35 - 00:30:37: 、そのデータを使用して次の 00:30:37 - 00:30:41: ラウンドを予測します 教師なしで 負荷のない 00:30:41 - 00:30:44: データを使用し、ラベルを付けて、使用するか学習することを強化します 00:30:48 - 00:30:50: ロボットやゲームなどのように試行錯誤するので、 00:30:53 - 00:30:55: おそらく最初のグループに重点を置くでしょう。 00:31:00 - 00:31:03: たとえば、ビットコインがいくらになるかなどの数値を予測するときに線形回帰を使用します。 00:42:26 - 00:42:29: たとえば、 00:31:09 - 00:31:10: 天気や気温などはどうなるか、 00:31:10 - 00:31:13: またバイナリ クラスが存在します。 00:31:15 - 00:31:18: バイナリと言うとき、セマンティクスの問題になることがあります。 00:31:20 - 00:31:24: 値が Yes であると予測しているというロジスティック回帰を使用できます。 いいえ、 00:31:24 - 00:31:28: わかりません、白、黒など、または 00:31:28 - 00:31:31: 分類である可能性があります。この写真は 00:31:31 - 00:31:37: 犬ですか、そうではありませんか、これはご存知ですか、 00:31:37 - 00:31:41: これは表ですか、そうではありません。つまり、 00:31:41 - 00:31:43: 二項 00:31:43 - 00:31:45: 分類があり、最後に 00:31:45 - 00:31:47: 多分類が行われます。 たとえば、 00:31:49 - 00:31:53: いつ雨が降るのかといったものを使用できます。たとえば、 00:31:53 - 00:31:55: 曜日は 7 つの選択肢があります。 00:31:55 - 00:31:58: 月曜日、火曜日などです。また、 00:31:58 - 00:32:02: 写真を分類することもできますが、 00:32:02 - 00:32:05: 写真を Facebook にアップロードすると 00:32:05 - 00:32:09: 、Facebook に自動的にあなたの 00:32:09 - 00:32:12: 顔とテキストが表示されます。 それを自動的に分類します。 00:32:12 - 00:32:15: 何年もの 00:32:15 - 00:32:18: あなたの写真の履歴があるからですよね、さまざまな 00:32:18 - 00:32:20: 効果があります、はい、どうぞ、はい、 00:32:20 - 00:32:23: ちょっと中断してもいいですか、確かに 00:32:23 - 00:32:25: 質問はありますか、えー、これは 00:32:25 - 00:32:27: あなたがさまざまな数学について話しているときに遡ります。 00:32:30 - 00:32:33: ええと、ハビエルは、 00:32:41 - 00:32:43: たとえば関係規則について話しているときに、行列代数統計と他の科目を勉強するのにどのような種類の数学を勧めますか尋ねています。 00:32:53 - 00:32:57: 私たちが勉強できる最初の、または最も興味深いものですが、微積分からも 00:32:57 - 00:32:59: 始めることになります。 無料の 00:32:59 - 00:33:01: 本がたくさんあります 無料のコースもたくさんあります 00:33:01 - 00:33:04: これにはまた一銭も支払う必要はありません 00:33:04 - 00:33:08: 私たちは皆、 00:33:08 - 00:33:12: 小学校の高校から大学を始めましたが、 00:33:12 - 00:33:15: おそらくこれに注意を払ったことはありません、 00:33:15 - 00:33:19: そして私はそうしたいと思いますが、 00:33:19 - 00:33:22: 重要なのは 私はいつも、 00:33:22 - 00:33:24: オタクは新しいロックスターだと言いますが、 00:33:24 - 00:33:27: このような背景を持っていると、あなたに 00:33:27 - 00:33:29: スーパーパワーが与えられるのは正しいことですが、最初に 00:33:30 - 00:33:33: 3つの統計を見て、 00:33:33 - 00:33:35: おそらくすべてをカバーし始めると思います。 00:33:35 - 00:33:39: それから、時間があれ 00:33:39 - 00:33:41: ば、気に入ったらそうします 微積分 00:33:41 - 00:33:44: と代数と言いますか、無料の 00:33:44 - 00:33:47: コースがたくさんあります。すべての大学に数学の無料コースがあります。 00:33:50 - 00:33:53: これらの多くのコースを受講したり、 00:33:53 - 00:33:55: YouTube にアクセスしたり、本を読んだりできます。 00:33:59 - 00:34:04: これを楽しくする興味深い本がたくさんあります。 私たちは皆憎んでいるか、 00:34:04 - 00:34:07: 過去に憎しみを抱いていただろうから 00:34:07 - 00:34:10: 始めなければなりませんが、 00:34:10 - 00:34:12: たとえば裸の統計などの本はたくさんあります、きっと 00:34:12 - 00:34:14: そのPDFをどこかで見つけることができると思います、 00:34:14 - 00:34:18: ええと、それは統計に関する非常に 00:34:18 - 00:34:21: 興味深い本で、 00:34:21 - 00:34:24: とても楽しく学ぶことができます または、 00:34:24 - 00:34:27: 月の始めに関連するものを読みたいですそうそう、 00:34:27 - 00:34:31: 私たちの有料プログラムで 00:34:31 - 00:34:33: お勧めだと思います 00:34:33 - 00:34:35: 漫画統計かそのような本があると思いますええと、 00:34:36 - 00:34:40: そうです、Dojo には 00:34:40 - 00:34:43: いくつかのプログラムやコースがあると読みました。 00:34:43 - 00:34:47: あなたはおそらく正しく調査することができます、 00:34:47 - 00:34:50: 絶対にそうです、 00:34:50 - 00:34:54: それでは、予測分析について話すときにスーパーバイザーについて話すときに最も使用または人気のあるフレーバーは 00:34:58 - 00:35:01: 規制の 00:35:01 - 00:35:04: 回帰と分類ですが、分類は白、黒、赤、青、 00:35:07 - 00:35:11: ええと、犬がこのバイナリーオプションをカットすることを知っていますか、 00:35:11 - 00:35:16: またはもう一度あなたは 00:35:19 - 00:35:22: 規制について話すとき、明日の気温はどれくらいですか、 00:35:22 - 00:35:25: 分類は 00:35:25 - 00:35:28: 雨が降りますか、はい、そうでないかなどについて話すときは、おそらく大丈夫と答えることが 00:35:28 - 00:35:32: できます。また、 00:35:35 - 00:35:37: これを再度測定する方法もあります。これは機械学習によるものではなく、 00:35:37 - 00:35:40: スタッドから来ています。 それと数学 00:35:40 - 00:35:43: と違う、私たちが 00:35:45 - 00:35:48: すでに過去に学んださまざまなことを知っていますね、ええと、 00:35:48 - 00:35:53: おそらく平均的な鉱物を使用することができます、 00:35:53 - 00:35:57: または平均二乗誤差を使用することができます、 00:35:57 - 00:36:00: またはおそらくこれが 00:36:00 - 00:36:02: 私たちが最も使用する尺度です 00:36:02 - 00:36:05: 私たちが回帰について話すとき、おそらく 00:36:05 - 00:36:07: 彼らが 00:36:07 - 00:36:10: 最もよく使うのは予測です。 00:36:12 - 00:36:15: 来月の売上高を予測しています。 00:36:15 - 00:36:18: 自分用に測定するものがあるので、 00:36:18 - 00:36:22: そこにあるものを測定したり、予測したものを比較したりします。 00:36:25 - 00:36:27: 実際に見たものを理解して、そこから 00:36:27 - 00:36:30: フォーカサーを取得し、翌月 00:36:32 - 00:36:34: モデルの再トレーニングを続けることになります。そうすることで、モデルは 00:36:34 - 00:36:37: 反復に次ぐ反復を学習し続け 00:36:37 - 00:36:40: 、予測誤差が右下に下がるまで学習を続けることになります。 00:36:40 - 00:36:43: さて、 00:36:45 - 00:36:47: 分類について話すときはあまり時間がありません。 00:36:47 - 00:36:49: コンピュータを持っています。混同マトリックスを使用して、スループットを 00:36:49 - 00:36:51: 測定できます。 00:36:51 - 00:36:55: 偽陽性と偽 00:36:55 - 00:36:57: 陰性、および陽性と 00:36:57 - 00:37:01: 陰性を測定するには、さまざまなレベルがあります。 00:37:06 - 00:37:09: 測定できる精度 精度再現率と 00:37:09 - 00:37:12: これらのさまざまな指標を参照してください。 00:37:12 - 00:37:15: 機械学習を学習するときは、おそらく 00:37:15 - 00:37:18: Excel を使用するか、これをもう一度練習し続けることができます。 00:37:18 - 00:37:21: これは機械学習ではありません。これは 00:37:21 - 00:37:24: 正しく開始し、最終的に、 00:37:28 - 00:37:32: 精度と精度を測定する方法を理解します。 精度については、それほど 00:37:39 - 00:37:43: 正確でなくても許容できる特定の課題がおそらくいくつかあることはご存知でしょうが、 00:37:43 - 00:37:46: おそらくより正確にする必要があります。 00:37:46 - 00:37:48: 開発者が 1 人であれば、 00:37:52 - 00:37:57: 精度は 00:37:57 - 00:37:59: そのままにして精度に集中する余裕があるのは明らかだと思います。 最後に、AUC Roc の 00:37:59 - 00:38:02: ロックまたは a が得られ 00:38:02 - 00:38:06: 、そこにはより複雑な曲線が表示されます 00:38:06 - 00:38:10: が、これは 00:38:10 - 00:38:13: モデルを測定するための分類に使用するものです。 00:38:13 - 00:38:16: このようなものが得られれば、 00:38:18 - 00:38:22: 最も人気のあるものがたくさんあります。 データ セットは、これも 00:38:22 - 00:38:25: Google であると言われている花です。 00:38:25 - 00:38:26: これはすでに 00:38:26 - 00:38:29: GitHub にあるので、データ 00:38:29 - 00:38:31: セットとコードをダウンロードして、 00:38:31 - 00:38:34: このモデルで遊び始めることができます。だから、 00:38:34 - 00:38:37: おそらくもう一度できるでしょう。 00:38:37 - 00:38:39: この一部では、 00:38:39 - 00:38:43: 非常に実践的なセッションを行います。 00:38:43 - 00:38:45: 最後に、たとえば予測について話す場合、 00:38:45 - 00:38:48: 3 つのコンポーネントがあります。 00:38:48 - 00:38:50: 最初のコンポーネントは 00:38:50 - 00:38:52: データ、次にモデル、そして最後に 00:38:52 - 00:38:55: プライベートの分野です。これには過去の売上高が含まれます。 この 00:38:55 - 00:38:57: 例では、 00:38:57 - 00:39:01: モデルをトレーニングするために使用します。モデル 00:39:01 - 00:39:03: をすべてトレーニングすると、特権が得られ、 00:39:05 - 00:39:09: モデルの再トレーニングに使用するフィードバックが得られるため、 00:39:09 - 00:39:11: サイクルごとにサイクル 00:39:11 - 00:39:14: が低くなり、予測は次のように 00:39:14 - 00:39:16: なります。 00:39:16 - 00:39:18: 新しいパターンができて、モデルを再トレーニングする 00:39:18 - 00:39:22: と、より正確になります。 00:39:24 - 00:39:26: 分類分類と同じように、より低いフォーカサーが得られます。 00:39:26 - 00:39:31: これを使用して、写真にタグを付けて、 00:39:31 - 00:39:35: 異なるカテゴリにタグを付けたり、 00:39:35 - 00:39:39: 写真のオプションにタグを付けたりできます これは 00:39:39 - 00:39:41: 車ですか、これは自転車ですか、これは人ですか、これは 00:39:41 - 00:39:45: 犬ですか、これは悲しいことに、 00:39:53 - 00:39:57: さまざまな物体をリアルタイムで識別する必要があるこれらのモデルの自動運転車を扱うときによく使用します。 正常に動作している間はそれが原因で、 00:39:57 - 00:40:00: 私たちは 00:40:02 - 00:40:06: 公道をあまり走らせる車がありません。私たちには 00:40:06 - 00:40:10: 技術がありますが、早期に、 00:40:10 - 00:40:13: より正確なモデルを正しく用意する必要があります。そして最後に、 00:40:13 - 00:40:16: これはおそらくあなたには 00:40:16 - 00:40:18: ノーなことですが、私たちは 00:40:18 - 00:40:23: 予測分析では、 00:40:23 - 00:40:26: 右上にあるものに焦点を当てています。 00:40:26 - 00:40:28: 回帰と 00:40:28 - 00:40:31: 分類に取り組んでいきます。もちろん、 00:40:31 - 00:40:35: ここにリンクがありますが、精神 00:40:35 - 00:40:37: 学習は、この関係に最も使用しているものです。 モデルが 00:40:45 - 00:40:48: 学習しない場合は機械学習ではなく、Python や R、または別のモデルで使用します。モデルが学習しない場合は、 00:40:56 - 00:40:59: 適切な機械学習ではありません。また、トレーニングしないと正しいデータが得られないため、その間には非常に自然に成形されたモデルが得られます。 00:40:59 - 00:41:01: 実際のデータを使ってモデル化する 世の中で 00:41:01 - 00:41:04: また起こっていることを、私たちは 00:41:04 - 00:41:08: 猫を犬と呼ぶのが大好きであり続けるつもりです、 00:41:11 - 00:41:16: だから規制はモデルを予測し、 00:41:20 - 00:41:23: 予測と実際の間の距離を測定します 00:41:23 - 00:41:26: ええと、従属変数があります これは 00:41:28 - 00:41:33: 高校のときに学んだのと同じ式です。 00:41:33 - 00:41:39: 曲線です。 00:41:39 - 00:41:42: データセットを 2 つの部分に分割します。 00:41:42 - 00:41:45: 最初の 70 個には先ほど 00:41:45 - 00:41:50: 述べたトレーニングを行い、残りの 30 個はテストします。 00:41:50 - 00:41:53: 実際のデータを正確に使用した予測です。私は 00:41:53 - 00:41:56: これを時系列でよく使用します。これも 00:41:56 - 00:41:58: 予測に使用します。おそらく 00:42:01 - 00:42:04: ビジネスの世界で最もよく使用されるモデルで、基本的には 00:42:07 - 00:42:09: 来月の売上高を予測します。10 月としましょう。 00:42:09 - 00:42:12: 予測を再インストールした 00:42:12 - 00:42:16: 実際の数値と比較し 00:42:18 - 00:42:22: 、そこから 00:42:22 - 00:42:26: 予測者の適切なメトリクスを取得します。 00:42:29 - 00:42:32: 23 か月のデータ セットがある場合、需要に応じてデータ セットを分割します。 00:42:32 - 00:42:38: トレーニングとテストのための 5 か 00:42:38 - 00:42:40: 月。 00:42:40 - 00:42:45: 分類で言うと 00:42:46 - 00:42:50: 私にはわかりません。 00:42:50 - 00:42:53: 質問がある場合はここで立ち止まって話し合うこともできると思いますが、 00:42:53 - 00:42:56: いずれにせよ、私たちは目標と目標を設定する予定です。 00:42:59 - 00:43:02: ええと、これを使用する予定です、ええと、おそらく 00:43:02 - 00:43:05: それらと一緒に、 00:43:08 - 00:43:11: 予測を正しく行う方法を計算するための数式を使用します。たとえば、さまざま 00:43:11 - 00:43:14: な多変量モデルがあります。 00:43:14 - 00:43:16: さまざまな 00:43:20 - 00:43:22: 何を予測しますか そうでなければ、私たちが販売できるか、または 00:43:25 - 00:43:27: 顧客にどのような推奨事項を提供できるかについて、 00:43:27 - 00:43:31: 予測モデルを使用して作業するときに、私たちが正しく行って 00:43:31 - 00:43:33: いることは何であれ、 00:43:33 - 00:43:35: これに取り組む前に最初に行うことは、このようなものをいわゆる 00:43:35 - 00:43:38: 統一性と連携させることです。 これは 00:43:38 - 00:43:43: 基本的に 1 つの価値のあるものにすぎません。 00:43:43 - 00:43:46: たとえば、販売履歴を取得し 00:43:46 - 00:43:49: 、販売と協力するつもりです。 00:43:59 - 00:44:03: 取り込むことができるモデルに満足できる非常に正確なモデルが得られたら、これ以上バリアントを追加するつもりはありません。 より多くの変数、 00:44:03 - 00:44:05: たとえば、聖人や歴史上の聖人のような 00:44:05 - 00:44:09: 変数を持たせる代わりに、予測に戻ることが 00:44:09 - 00:44:13: できます。前に 00:44:13 - 00:44:15: 述べたように、より多くの変数を追加できます。インフレがわかりません。 00:44:18 - 00:44:20: 失業率がわかりません。 00:44:20 - 00:44:24: 切望するケースが何人 00:44:24 - 00:44:29: 死亡しているか、どの都市に人口がいるか、などです。 00:44:29 - 00:44:31: たとえば、ロックダウンについてはわかりません。つまり、 00:44:34 - 00:44:37: 売上だけではなく、より多くの 00:44:37 - 00:44:41: 変数を含めています。モデルの精度が高くなるように、より 00:44:44 - 00:44:47: 多くの情報が得られれば、予測誤差は減少します。ただ 00:44:47 - 00:44:50: 信頼しているだけではありません。 00:44:50 - 00:44:54: 1 つの値に基づいて、あなたの予測または 00:44:54 - 00:44:57: 推奨がより 00:44:57 - 00:45:00: 正確になるでしょう。そしてあなたの予測サーバーは 00:45:00 - 00:45:04: 右下にあるでしょう。私たちは、 00:45:07 - 00:45:11: 私たちが持っているものと私たちが必要としているものの間にある非常に興味深いスキルを持っています。 00:45:11 - 00:45:15: それが、これがまた完全なものである理由です。 00:45:15 - 00:45:18: 私たちがここにいるのは別の世界です 私たち 00:45:18 - 00:45:20: オタクはビジネス上の質問を理解できないことがあります 00:45:20 - 00:45:23: ビジネスリーダーは 00:45:23 - 00:45:26: 分析の必要性を理解していません つまり、 00:45:28 - 00:45:30: お互いに話さない2つの異なる言葉のようなものです 00:45:30 - 00:45:33: パープルピープルという本があります それは、 00:45:33 - 00:45:36: 私たちがどのように理解できるか、どのように理解すべきか、あるいは 00:45:41 - 00:45:44: 誤った言葉を正しく活用するかについて語っています。そうでないとしても、私たちは 00:45:48 - 00:45:52: コーディングという 1 つのことだけに焦点を当てており、データ サイエンティストは 00:45:52 - 00:45:54: コーディングが正しく、コーダー以上のものであるのが 00:45:54 - 00:45:58: 正しいのです。 私たちは 00:45:58 - 00:46:01: 世界が何を求めているのかを 00:46:01 - 00:46:04: 正しく理解する必要があります データで答えたい最大の質問は何ですか 00:46:06 - 00:46:09: 世界には非常に興味深いギャップがあります 00:46:13 - 00:46:17: 610万人が不足していると言われています それはボストン 00:46:17 - 00:46:21: コンサルティング グループによるものです コンピュータサイエンス 00:46:21 - 00:46:25: と数学はアメリカのアメリカだけだから、 00:46:25 - 00:46:29: 君たちがここにいるのはきっと君は 00:46:29 - 00:46:32: ニューヨーク大学の道場ですでに勉強しているだろう、 00:46:32 - 00:46:37: あるいはこの青のバランスを取ることに興味があるだろう、 00:46:40 - 00:46:44: 私たちがかつて持っていた青の性格 00:46:46 - 00:46:50: データサイエンスや 00:46:50 - 00:46:55: サイエンスサイエンスとは何なのか、そして赤い 00:46:55 - 00:46:57: 人々は通常ビジネス 00:46:57 - 00:47:00: マンか人事や 00:47:00 - 00:47:02: 心理学などの分野で働く人々であるため、 00:47:02 - 00:47:04: 私たち全員が 00:47:04 - 00:47:07: 部分的に正しい必要があるという格言があります、それらのバランスをとる必要があります 00:47:07 - 00:47:09: たとえ私たちがもっと青くても、おそらくそのギャップを得るために、私たちは何か稀な権利を持っている必要があります、おそらく 00:47:17 - 00:47:20: それはおそらく正しく修正されます、 00:47:20 - 00:47:23: 最終的にオタクっぽい新しいロックスター、 00:47:23 - 00:47:26: これは私たちが生きているという非常に興味深い点です、 00:47:29 - 00:47:31: データサイエンスが世界を救うことを知っていますか 00:47:31 - 00:47:34: あなたが勝てば、テクノロジーが何かを民主化する非常に興味深い瞬間が待っています、ねえ、 00:47:40 - 00:47:43: 基本的権利へのアクセスですよね、実際、私たちは 00:47:44 - 00:47:48: データサイエンスに先駆けてワクチンを持っています、 00:47:50 - 00:47:54: ええと、ありがとうございます、私の 00:47:54 - 00:47:57: 情報、私のTwitter、私のメール、私の 00:47:57 - 00:47:59: LinkedIn LinkedIn で私を見つけてください。私は 00:47:59 - 00:48:02: ソーシャル メディアで非常にアクティブです。また、 00:48:05 - 00:48:14: 近いうちに、より技術的な主要なウェビナーを開催する予定です。ええ、質問はありますか。えーっと、質問に 00:48:19 - 00:48:21: 飛び込む前に、 00:48:22 - 00:48:25: 来週のウェビナーに参加したいと思っています。 本当に急いで、 00:48:26 - 00:48:29: どうぞネイサン、そしてZoomを使っている人たちへ、 00:48:31 - 00:48:33: セルジオがスライドで共有していたのは知っていますが、 00:48:33 - 00:48:36: LinkedInのURLがありませんでしたので、必要に応じてそれをコピーして 00:48:37 - 00:48:39: チャットに貼り付けました 00:48:39 - 00:48:42: 彼に質問したり、 00:48:43 - 00:48:46: 彼とつながったり、フォローしたり、あるいは 00:48:46 - 00:48:49: そのようなことをするために、 00:48:49 - 00:48:51: この画面を共有しましょう。 00:48:57 - 00:48:59: それでは、正しい画面を見ていることを願っています。 00:49:01 - 00:49:02: 仮想エージェントを強化するための入門になるはずです。 00:49:04 - 00:49:07: えー、それでは明日 9 月 15 日 00:49:07 - 00:49:10: 太平洋時間午後 12 時、えー、今日と同じ時間です、 00:49:10 - 00:49:12: えー、当社のデータ サイエンティストの 1 人が 00:49:12 - 00:49:15: データ サイエンス道場に来ます、アダム ナディーン、えー、 00:49:15 - 00:49:18: 彼が簡単に紹介する予定です、 00:49:18 - 00:49:19: 簡単にとは言わないほうがいいです 60 00:49:19 - 00:49:21: 分ですが、仮想エージェントを強化するための概要です。 00:49:26 - 00:49:28: コードなしのチャットボット エクスペリエンスに慣れる予定です。 00:49:28 - 00:49:31: トピック、質問、条件、 00:49:31 - 00:49:34: メッセージ、リンクを作成し、 00:49:34 - 00:49:37: 実際に広範なテストとデプロイを行います。 00:49:37 - 00:49:40: さまざまなチャネルにまたがってボックスを送信してください。 00:49:41 - 00:49:43: えー、ノーコードのアプローチによる実践的なものに興味がある場合は、 00:49:46 - 00:49:48: 明日必ず参加してください。 00:49:48 - 00:49:50: えー、イベントへのリンクを知っています。 00:49:50 - 00:49:53: チャットに投稿されたばかりだと思います。 00:49:55 - 00:49:57: いくつかの質問に移りましょう ええと、ええと、 00:49:57 - 00:50:00: 私は知っています、ええと、 00:50:00 - 00:50:03: おそらく誰かが証明書について質問していると思います、ええと、 00:50:05 - 00:50:07: リンクは一度投稿されていますが、 00:50:09 - 00:50:12: 全員に確認する機会があることを確認するために、おそらくあと数回投稿するつもりです 00:50:12 - 00:50:13: それをつかんでください、 00:50:14 - 00:50:16: でも、まず始めましょう、 00:50:16 - 00:50:18: えー、アサドとアサドは、 00:50:18 - 00:50:21: これを最後まで残しておくことを確認したかったので、 00:50:21 - 00:50:24: ありがとうございます、それについて言及しているのを見たので、 00:50:24 - 00:50:27: すべての勉強が終わってから、えー、 00:50:27 - 00:50:28: 特定の分析 00:50:28 - 00:50:31: 数学の勉強が終わったら、えー、科学 経験を積むためのプロジェクトはどこで見つかりますか? 00:50:33 - 00:50:36: 出発点として kaggle をお勧めしますか? 00:50:42 - 00:50:45: 最初にこの分野に参入するためのポートフォリオを構築するためのヒントはありますか? I I I 私は抱えている問題が好きです、ええと、 00:50:45 - 00:50:49: おそらくいくつかはご存知でしょう 私は 00:50:49 - 00:50:51: 販売できるビジネス製品が好きです 00:50:51 - 00:50:55: データは正しい、実際の問題がある、タイタニック号の 00:50:55 - 00:50:59: データは私たちが遊んでいると言っていた、そして私たちは 00:51:01 - 00:51:03: 歴史の中で非常に興味深い瞬間を生きていることがわかります、 00:51:03 - 00:51:05: 私たちは私たちです、 00:51:05 - 00:51:07: 私たちは多くの課題を抱えている非常に特別な瞬間を生きています、 00:51:07 - 00:51:11: ええと彼らは言いました 00:51:11 - 00:51:13: 確かに私たちは変化を生きています、 00:51:15 - 00:51:17: 人々が在宅勤務をするというパラダイムの変化を生きていますが、私たちは 00:51:22 - 00:51:25: 2020年まで慣れていた世界とは完全に異なる世界にいるのです、ですから今は 00:51:25 - 00:51:29: 出発点として非常に良いです えー、私も 00:51:33 - 00:51:36: 健康に関連するものはすべて好きです。 00:51:36 - 00:51:40: スタートアップのガイドラインから多くの画期的な進歩が現れています。私たちのえー、 00:51:40 - 00:51:45: たとえば、健康に関連するものを予測するためのソリューションなどのソリューションを見つけています。 00:51:51 - 00:51:54: 私たちが見つけたものだけではない多くのデータセットが 00:51:54 - 00:51:57: 世の中にあります。 カールだけでなく、私たちが 00:51:57 - 00:51:59: さまざまな病院から見つけられるもの、 00:51:59 - 00:52:02: CDCから見つけられるもの、 00:52:02 - 00:52:04: ええと、あなたはさまざまな 00:52:04 - 00:52:08: 大学を知っています健康関連、 00:52:08 - 00:52:10: 切望関連、がん 00:52:10 - 00:52:14: 関連、私は大好きです、それらのプロジェクトが大好きです それは 00:52:14 - 00:52:16: より大きな善のためであり、 00:52:16 - 00:52:19: また、前に述べたように、私はスマート シリーズとは何かに非常に熱心に取り組んでいますが、 00:52:28 - 00:52:32: 適切な名前を付けたどの都市からでも見つけることができる多くのデータ セットがあります。つまり、大都市のことを指しますが、特に 00:52:32 - 00:52:34: アメリカは正しいので、どの 00:52:34 - 00:52:38: 州でも、どの自治体でも、 00:52:38 - 00:52:41: どの町でも行くことができ、 00:52:41 - 00:52:44: 交通状況からデータセットを見つけ、 00:52:44 - 00:52:47: 病院からのスキルや、 00:52:50 - 00:52:52: 前に述べたようにさまざまなマクロ値からデータセットを見つけることができます。 00:52:52 - 00:52:55: それはとても良いことだよ、 00:52:59 - 00:53:02: 誰かが私に近づいてきて、ほら見てって言ってくれたら、プロジェクトを見てみたいと思うよ。 00:53:03 - 00:53:07: 私のポートフォリオには、私がやったことや 00:53:07 - 00:53:09: あなたと遊んだことがある。正直に言うと、 00:53:09 - 00:53:12: 私が何を探しているのか知っているよ。」 私が泣いているのは、 00:53:12 - 00:53:16: 人々が 00:53:16 - 00:53:19: 構築したモデルや人々が必要としている解決策が何であるかだけ 00:53:19 - 00:53:22: ではなく、ミドル層 00:53:22 - 00:53:24: にとって大きな問題を解決しようとしている人々の好奇心だけで十分 00:53:24 - 00:53:28: 以上です。それは好奇心を持っているものだと私は 00:53:28 - 00:53:30: 理解しています 00:53:30 - 00:53:33: そして、それは私が一緒に 00:53:33 - 00:53:39: 仕事をしたいと思っている人です、右 00:53:41 - 00:53:43: それから、 00:53:43 - 00:53:47: えー、これはアドナンからです、えー、データ 00:53:47 - 00:53:50: サイエンスは量子コンピューティングで大きく変わりますか、 00:53:51 - 00:53:53: はい、間違いなく 00:53:53 - 00:53:58: データサイエンスですが、また、ええと、私たちが持っていることは知っています 00:54:00 - 00:54:02: たとえば、ブロックチェーンとは何かという非常に興味深い影響です。 00:54:02 - 00:54:05: ビットコインとは何ですか。今日の暗号通貨とは何ですか。暗号通貨は私たちが 00:54:05 - 00:54:08: 信頼しています。 00:54:11 - 00:54:14: トランザクションが確認されるまでには遅延があることはご存知でしょうが、私 00:54:14 - 00:54:16: たちが量子コンピューターを手に入れたら、あなたはそう 00:54:16 - 00:54:19: するつもりです。 アルゴリズムを 00:54:19 - 00:54:21: sh a a 00:54:21 - 00:54:25: 256 からそれより高いものに変更する必要があります。なぜなら、彼が 00:54:30 - 00:54:32: 勝つことになるすべてにおいて大きな変更が加えられることになるからです。しかし、とにかく、 00:54:32 - 00:54:34: それがすぐに起こるとは思えませんが、それは 00:54:34 - 00:54:37: 起こるでしょう ある時点で、 00:54:37 - 00:54:41: おそらく 10 年後にはそうなると思います。それで、はい、はい、 00:54:41 - 00:54:44: 簡単な答えは「はい」です、 00:54:44 - 00:54:46: そして、これはおそらく LinkedIn でのライブ ストリームの 1 つからの質問です、 00:54:53 - 00:54:56: 誰かが始めるべき順序についての推奨事項はありますか? 00:54:56 - 00:54:58: 数学の復習は統計から始めるべきですか 00:55:01 - 00:55:03: 始めるべきですか えっと、またどこから始めますか? 00:55:11 - 00:55:13: エンジニアかそのようなことを知っていない場合、または 00:55:13 - 00:55:17: 嫌いな場合は、数学をもう一度始めてください。 00:55:17 - 00:55:20: あなたはあまり始めるのが好きではありません 00:55:23 - 00:55:26: あなたはおそらく間違った分野ですが、あなたがそれが好きだとしましょう 00:55:26 - 00:55:28: 前に述べたように、おそらく 00:55:28 - 00:55:30: 統計を裸で始めたり、統計を作成したりする多くの親切な本があります 00:55:35 - 00:55:40: ハードウェアに興味を示すことができる興味深い本は何冊ありますか オン 00:55:40 - 00:55:42: オン スタート 00:55:42 - 00:55:46: MIT には代数 Google リーグのコースがあり 00:55:46 - 00:55:48: 、きっと見つかるでしょう。 00:55:48 - 00:55:50: なぜまた数学のコースもあるのかと思います。3 00:55:51 - 00:55:53: つのコースについて話しています。そうです、いいえ、 00:55:57 - 00:55:59: コースはたくさんあります。 00:55:59 - 00:56:03: アメリカの大きな大学は 00:56:03 - 00:56:06: 受験できますが、ダンサーは統計から始めます。 00:56:08 - 00:56:10: 実際に機械学習しているものはすべて機械 00:56:10 - 00:56:12: 学習ではありません。機械学習は 00:56:12 - 00:56:16: スタートの進化です。だからスタートから始めてください。そうすれば 00:56:16 - 00:56:18: 機械学習を理解できるようになり、 00:56:20 - 00:56:28: より簡単になるでしょう。 そうですね、それでは、 00:56:28 - 00:56:30: 時間なのでもう 1 つだけ質問しましょう。 00:56:32 - 00:56:35: えー、これは Jin Wu からの質問です。コンピューター サイエンスで 00:56:38 - 00:56:41: はなく、エンジニアリングのバックグラウンドを持つ人が、 00:56:42 - 00:56:43: 私が行っているディープ ラーニングの仕事に就くための良い方法は何だろうと考えていました。 00:56:43 - 00:56:47: 私の会社で RNN を使用したサイド プロジェクトで、 00:56:49 - 00:56:51: データ サイエンスのオンライン学位取得を計画しています。ありがとうございます。 00:56:51 - 00:56:54: 秘密を教えます。私の秘密の 00:56:54 - 00:56:59: ソースです。私はエンジニアに対して肯定的な購入者ではなく偏見を持っています。 00:56:59 - 00:57:01: そう、あなたは購入者とも言うでしょう。 00:57:01 - 00:57:02: なぜなら、毎回そうなるからです。 私はエンジニアを見つけました、私は 00:57:02 - 00:57:05: それを維持します、私はそれを盗みます、私たちが 00:57:09 - 00:57:12: データサイエンティストについて話すとき、彼らは 00:57:12 - 00:57:14: データサイエンスです、私たちが話しているのは 00:57:14 - 00:57:16: 3つの柱について話 00:57:16 - 00:57:19: しているのです、最初の部分ではなく単にコーディングと呼ばれています、エンジニアがプロセスについて再び知っていることを知っているからです。 00:57:19 - 00:57:22: これほど多くのことを理解し、それが 00:57:25 - 00:57:27: 今日のエンジニアの使命であり、 00:57:27 - 00:57:29: ビジネスの進捗を正しく理解する必要があります。なぜなら、 00:57:29 - 00:57:31: あなたは単なる 00:57:31 - 00:57:33: 技術者ではないからです。データサイエンティストではないからです。 00:57:33 - 00:57:38: したがって、エンジニアが持つべき能力 00:57:38 - 00:57:41: の 80% は得られると思います。 データ サイエンス データ 00:57:41 - 00:57:45: サイエンスがリソースから必要とするもの 00:57:49 - 00:57:53: データ サイエンティストに必要なほぼすべてのスキルを正しく備えているため、 00:57:53 - 00:57:55: 正しい道を進み、数学を理解している 00:57:55 - 00:57:57: プロセスを理解している 00:57:57 - 00:57:59: ビジネス上の問題を理解している あなたはコンサルタントであるため、 00:57:59 - 00:58:03: ブートマトショーに行く必要があります そして、 00:58:03 - 00:58:07: あなたは仕事を見つけるかどうか、 00:58:07 - 00:58:11: そう、私はああ、恥知らずな 00:58:11 - 00:58:14: 自己宣伝をしようとしていました、私に話しに来てください、そうすれば、 00:58:14 - 00:58:18: 私たちはまさにそのことについてお手伝いできます、 00:58:20 - 00:58:24: そして、ええとその一つに付け加えます 00:58:24 - 00:58:26: 私の同僚の一人からの私のお気に入りの引用です 00:58:26 - 00:58:28: ここのデータサイエンティストの一人です 00:58:29 - 00:58:31: ええと、 00:58:31 - 00:58:33: データサイエンティストが 00:58:33 - 00:58:34: ソフトウェアエンジニアである必要がないことを知っている方法について話していました 彼らはすべてただ 00:58:34 - 00:58:37: のコーディング専門家ではありません そうです、多くの 00:58:37 - 00:58:40: 場合、それはそうです Google で正しい質問をする方法を学んでいるところです。それではわかりました。 00:58:44 - 00:58:46: セルジオ、 00:58:46 - 00:58:49: 今日はここに来てくれて本当にありがとう、 00:58:49 - 00:58:51: 感謝しています

Data Science Dojo

※本サイトに掲載されているチャンネル情報や動画情報はYouTube公式のAPIを使って取得・表示しています。

Timetable

動画タイムテーブル

動画数:542件