Agile Data Science - Introduzione
La data science agile è un approccio che utilizza la data science con una metodologia agile per lo sviluppo di applicazioni web. Si concentra sull'output del processo di data science adatto per effettuare il cambiamento per un'organizzazione. La scienza dei dati include la creazione di applicazioni che descrivono il processo di ricerca con analisi, visualizzazione interattiva e ora anche l'apprendimento automatico applicato.
L'obiettivo principale della scienza dei dati agile è:
documentare e guidare l'analisi dei dati esplicativa per scoprire e seguire il percorso critico verso un prodotto convincente.
La scienza dei dati Agile è organizzata con la seguente serie di principi:
Iterazione continua
Questo processo prevede l'iterazione continua con la creazione di tabelle, grafici, report e previsioni. La creazione di modelli predittivi richiederà molte iterazioni dell'ingegneria delle funzionalità con estrazione e produzione di informazioni.
Uscita intermedia
Questa è la track list degli output generati. Si dice anche che anche gli esperimenti falliti abbiano dei risultati. Il monitoraggio dell'output di ogni iterazione aiuterà a creare un output migliore nella prossima iterazione.
Esperimenti di prototipi
Gli esperimenti sui prototipi implicano l'assegnazione di compiti e la generazione di output secondo gli esperimenti. In un determinato compito, dobbiamo iterare per ottenere insight e queste iterazioni possono essere spiegate al meglio come esperimenti.
Integrazione dei dati
Il ciclo di vita dello sviluppo del software comprende diverse fasi con dati essenziali per:
customers
sviluppatori e
il business
L'integrazione dei dati apre la strada a prospettive e risultati migliori.
Valore dei dati della piramide
Il valore piramidale di cui sopra descriveva i livelli necessari per lo sviluppo della "scienza dei dati Agile". Inizia con una raccolta di record basata sui requisiti e sui singoli record idraulici. I grafici vengono creati dopo la pulizia e l'aggregazione dei dati. I dati aggregati possono essere utilizzati per la visualizzazione dei dati. I report vengono generati con struttura, metadati e tag di dati adeguati. Il secondo strato di piramide dall'alto include l'analisi di previsione. Il livello di previsione è dove viene creato più valore, ma aiuta a creare buone previsioni incentrate sull'ingegneria delle funzionalità.
Il livello più alto comprende azioni in cui il valore dei dati è guidato in modo efficace. La migliore illustrazione di questa implementazione è "Intelligenza artificiale".