You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
120 lines
11 KiB
120 lines
11 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
|
|
"translation_date": "2025-08-26T16:25:24+00:00",
|
|
"source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
|
|
"language_code": "ro"
|
|
}
|
|
-->
|
|
# Introducere în ciclul de viață al științei datelor
|
|
|
|
| ](../../sketchnotes/14-DataScience-Lifecycle.png)|
|
|
|:---:|
|
|
| Introducere în ciclul de viață al științei datelor - _Sketchnote de [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
## [Chestionar înainte de lecție](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
|
|
|
|
Până în acest moment, probabil ai realizat că știința datelor este un proces. Acest proces poate fi împărțit în 5 etape:
|
|
|
|
- Capturare
|
|
- Procesare
|
|
- Analiză
|
|
- Comunicare
|
|
- Mentenanță
|
|
|
|
Această lecție se concentrează pe 3 părți ale ciclului de viață: capturare, procesare și mentenanță.
|
|
|
|
|
|
> Fotografie de [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
|
|
|
|
## Capturare
|
|
|
|
Prima etapă a ciclului de viață este foarte importantă, deoarece etapele următoare depind de aceasta. Practic, este o combinație a două etape: obținerea datelor și definirea scopului și a problemelor care trebuie abordate.
|
|
Definirea obiectivelor proiectului va necesita o înțelegere mai profundă a problemei sau întrebării. Mai întâi, trebuie să identificăm și să obținem persoanele care au nevoie ca problema lor să fie rezolvată. Acestea pot fi părți interesate dintr-o afacere sau sponsori ai proiectului, care pot ajuta la identificarea celor care vor beneficia de acest proiect, precum și a motivelor pentru care au nevoie de el. Un obiectiv bine definit ar trebui să fie măsurabil și cuantificabil pentru a defini un rezultat acceptabil.
|
|
|
|
Întrebări pe care un specialist în știința datelor le-ar putea pune:
|
|
- A fost abordată această problemă înainte? Ce s-a descoperit?
|
|
- Este scopul și obiectivul înțeles de toți cei implicați?
|
|
- Există ambiguități și cum pot fi reduse?
|
|
- Care sunt constrângerile?
|
|
- Cum ar putea arăta rezultatul final?
|
|
- Câte resurse (timp, oameni, computaționale) sunt disponibile?
|
|
|
|
Următorul pas este identificarea, colectarea și, în final, explorarea datelor necesare pentru a atinge aceste obiective definite. În această etapă de achiziție, specialiștii în știința datelor trebuie, de asemenea, să evalueze cantitatea și calitatea datelor. Acest lucru necesită o explorare a datelor pentru a confirma că ceea ce a fost obținut va sprijini atingerea rezultatului dorit.
|
|
|
|
Întrebări pe care un specialist în știința datelor le-ar putea pune despre date:
|
|
- Ce date sunt deja disponibile pentru mine?
|
|
- Cine deține aceste date?
|
|
- Care sunt preocupările legate de confidențialitate?
|
|
- Am suficiente date pentru a rezolva această problemă?
|
|
- Sunt datele de o calitate acceptabilă pentru această problemă?
|
|
- Dacă descopăr informații suplimentare prin aceste date, ar trebui să luăm în considerare schimbarea sau redefinirea obiectivelor?
|
|
|
|
## Procesare
|
|
|
|
Etapa de procesare a ciclului de viață se concentrează pe descoperirea tiparelor din date, precum și pe modelare. Unele tehnici utilizate în această etapă necesită metode statistice pentru a descoperi tiparele. De obicei, aceasta ar fi o sarcină obositoare pentru un om atunci când lucrează cu un set mare de date, așa că se bazează pe calculatoare pentru a accelera procesul. Această etapă este, de asemenea, punctul în care știința datelor și învățarea automată se intersectează. Așa cum ai învățat în prima lecție, învățarea automată este procesul de construire a modelelor pentru a înțelege datele. Modelele sunt o reprezentare a relației dintre variabilele din date care ajută la prezicerea rezultatelor.
|
|
|
|
Tehnici comune utilizate în această etapă sunt acoperite în curriculumul ML pentru Începători. Urmează linkurile pentru a afla mai multe despre ele:
|
|
|
|
- [Clasificare](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organizarea datelor în categorii pentru o utilizare mai eficientă.
|
|
- [Clustering](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Gruparea datelor în grupuri similare.
|
|
- [Regresie](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Determinarea relațiilor dintre variabile pentru a prezice sau prognoza valori.
|
|
|
|
## Mentenanță
|
|
|
|
În diagrama ciclului de viață, probabil ai observat că mentenanța se află între capturare și procesare. Mentenanța este un proces continuu de gestionare, stocare și securizare a datelor pe parcursul întregului proiect și ar trebui luată în considerare pe toată durata acestuia.
|
|
|
|
### Stocarea datelor
|
|
Considerațiile legate de modul și locul în care sunt stocate datele pot influența costul stocării, precum și performanța accesării rapide a datelor. Decizii de acest tip nu sunt, de obicei, luate doar de un specialist în știința datelor, dar acesta poate fi nevoit să facă alegeri legate de modul de lucru cu datele în funcție de modul în care sunt stocate.
|
|
|
|
Iată câteva aspecte ale sistemelor moderne de stocare a datelor care pot influența aceste alegeri:
|
|
|
|
**On premise vs off premise vs cloud public sau privat**
|
|
|
|
On premise se referă la găzduirea și gestionarea datelor pe echipamentele proprii, cum ar fi deținerea unui server cu hard disk-uri care stochează datele, în timp ce off premise se bazează pe echipamente care nu îți aparțin, cum ar fi un centru de date. Cloud-ul public este o alegere populară pentru stocarea datelor care nu necesită cunoștințe despre cum sau unde sunt stocate exact datele, unde public se referă la o infrastructură unificată partajată de toți utilizatorii cloud-ului. Unele organizații au politici stricte de securitate care necesită acces complet la echipamentele unde sunt găzduite datele și vor folosi un cloud privat care oferă propriile servicii cloud. Vei învăța mai multe despre datele în cloud în [lecțiile viitoare](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
|
|
|
|
**Date reci vs date fierbinți**
|
|
|
|
Când îți antrenezi modelele, este posibil să ai nevoie de mai multe date de antrenament. Dacă ești mulțumit de modelul tău, mai multe date vor fi necesare pentru ca modelul să-și îndeplinească scopul. În orice caz, costul stocării și accesării datelor va crește pe măsură ce acumulezi mai multe. Separarea datelor rar utilizate, cunoscute sub numele de date reci, de datele accesate frecvent, cunoscute ca date fierbinți, poate fi o opțiune mai ieftină de stocare a datelor prin hardware sau servicii software. Dacă datele reci trebuie accesate, poate dura puțin mai mult pentru a le recupera în comparație cu datele fierbinți.
|
|
|
|
### Gestionarea datelor
|
|
Pe măsură ce lucrezi cu date, este posibil să descoperi că unele dintre ele trebuie curățate folosind tehnicile acoperite în lecția despre [pregătirea datelor](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) pentru a construi modele precise. Când sosesc date noi, va fi nevoie de aceleași aplicații pentru a menține consistența calității. Unele proiecte vor implica utilizarea unui instrument automatizat pentru curățare, agregare și compresie înainte ca datele să fie mutate în locația lor finală. Azure Data Factory este un exemplu de astfel de instrument.
|
|
|
|
### Securizarea datelor
|
|
Unul dintre obiectivele principale ale securizării datelor este asigurarea că cei care lucrează cu ele controlează ceea ce este colectat și în ce context este utilizat. Menținerea securității datelor implică limitarea accesului doar la cei care au nevoie de ele, respectarea legilor și reglementărilor locale, precum și menținerea standardelor etice, așa cum este acoperit în [lecția despre etică](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
|
|
|
|
Iată câteva lucruri pe care o echipă le poate face având în vedere securitatea:
|
|
- Confirmarea că toate datele sunt criptate
|
|
- Oferirea de informații clienților despre modul în care sunt utilizate datele lor
|
|
- Eliminarea accesului la date pentru cei care au părăsit proiectul
|
|
- Permisiunea doar anumitor membri ai proiectului să modifice datele
|
|
|
|
## 🚀 Provocare
|
|
|
|
Există multe versiuni ale ciclului de viață al științei datelor, unde fiecare pas poate avea denumiri și un număr diferit de etape, dar va conține aceleași procese menționate în această lecție.
|
|
|
|
Explorează [ciclul de viață al procesului de echipă pentru știința datelor](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) și [standardul industrial pentru procesul de extragere a datelor](https://www.datascience-pm.com/crisp-dm-2/). Numește 3 asemănări și diferențe între cele două.
|
|
|
|
|Procesul de echipă pentru știința datelor (TDSP)|Standardul industrial pentru procesul de extragere a datelor (CRISP-DM)|
|
|
|--|--|
|
|
| |  |
|
|
| Imagine de [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Imagine de [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
|
|
|
|
## [Chestionar după lecție](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
|
|
|
|
## Recapitulare și studiu individual
|
|
|
|
Aplicarea ciclului de viață al științei datelor implică mai multe roluri și sarcini, unde unii se pot concentra pe anumite părți ale fiecărei etape. Procesul de echipă pentru știința datelor oferă câteva resurse care explică tipurile de roluri și sarcini pe care cineva le poate avea într-un proiect.
|
|
|
|
* [Roluri și sarcini în procesul de echipă pentru știința datelor](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
|
|
* [Executarea sarcinilor de știința datelor: explorare, modelare și implementare](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
|
|
|
|
## Temă
|
|
|
|
[Evaluarea unui set de date](assignment.md)
|
|
|
|
---
|
|
|
|
**Declinare de responsabilitate**:
|
|
Acest document a fost tradus folosind serviciul de traducere AI [Co-op Translator](https://github.com/Azure/co-op-translator). Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa natală ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm responsabilitatea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri. |