Ciencia de datos ágiles - Introducción
La ciencia de datos ágil es un enfoque que utiliza la ciencia de datos con una metodología ágil para el desarrollo de aplicaciones web. Se centra en el resultado del proceso de ciencia de datos adecuado para realizar cambios en una organización. La ciencia de datos incluye la creación de aplicaciones que describen el proceso de investigación con análisis, visualización interactiva y ahora también aprendizaje automático aplicado.
El principal objetivo de la ciencia de datos ágil es:
Documentar y orientar el análisis de datos explicativos para descubrir y seguir el camino crítico hacia un producto atractivo.
La ciencia de datos ágil está organizada con el siguiente conjunto de principios:
Iteración continua
Este proceso implica una iteración continua con la creación de tablas, gráficos, informes y predicciones. La construcción de modelos predictivos requerirá muchas iteraciones de ingeniería de características con extracción y producción de información.
Salida intermedia
Esta es la lista de pistas de salidas generadas. Incluso se dice que los experimentos fallidos también tienen resultados. El seguimiento de la salida de cada iteración ayudará a crear una mejor salida en la próxima iteración.
Experimentos de prototipos
Los experimentos de prototipos implican la asignación de tareas y la generación de resultados según los experimentos. En una tarea determinada, debemos iterar para obtener información y estas iteraciones se pueden explicar mejor como experimentos.
Integracion de datos
El ciclo de vida del desarrollo de software incluye diferentes fases con datos esenciales para:
customers
desarrolladores y
el negocio
La integración de datos allana el camino para mejores perspectivas y resultados.
Valor de datos piramidales
El valor de la pirámide anterior describía las capas necesarias para el desarrollo de la “ciencia de datos ágil”. Comienza con una colección de registros basada en los requisitos y registros individuales de plomería. Los gráficos se crean después de la limpieza y agregación de datos. Los datos agregados se pueden utilizar para la visualización de datos. Los informes se generan con la estructura, los metadatos y las etiquetas de datos adecuados. La segunda capa de pirámide desde la parte superior incluye análisis de predicción. La capa de predicción es donde se crea más valor, pero ayuda a crear buenas predicciones que se centran en la ingeniería de características.
La capa superior involucra acciones en las que el valor de los datos se impulsa de manera efectiva. La mejor ilustración de esta implementación es la "Inteligencia Artificial".