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.
123 lines
10 KiB
123 lines
10 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "07e12a25d20b8f191e3cb651c27fdb2b",
|
|
"translation_date": "2025-09-06T21:08:32+00:00",
|
|
"source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
|
|
"language_code": "da"
|
|
}
|
|
-->
|
|
# Introduktion til Data Science Livscyklus
|
|
|
|
| ](../../sketchnotes/14-DataScience-Lifecycle.png)|
|
|
|:---:|
|
|
| Introduktion til Data Science Livscyklus - _Sketchnote af [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
## [Quiz før lektionen](https://ff-quizzes.netlify.app/en/ds/quiz/26)
|
|
|
|
På nuværende tidspunkt har du sandsynligvis indset, at data science er en proces. Denne proces kan opdeles i 5 faser:
|
|
|
|
- Indsamling
|
|
- Behandling
|
|
- Analyse
|
|
- Kommunikation
|
|
- Vedligeholdelse
|
|
|
|
Denne lektion fokuserer på 3 dele af livscyklussen: indsamling, behandling og vedligeholdelse.
|
|
|
|
|
|
> Foto af [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
|
|
|
|
## Indsamling
|
|
|
|
Den første fase i livscyklussen er meget vigtig, da de næste faser afhænger af den. Det er praktisk talt to faser kombineret i én: at skaffe data og definere formålet og de problemer, der skal adresseres.
|
|
At definere projektets mål kræver en dybere forståelse af problemet eller spørgsmålet. Først skal vi identificere og engagere dem, der har brug for at få løst deres problem. Dette kan være interessenter i en virksomhed eller sponsorer af projektet, som kan hjælpe med at identificere, hvem eller hvad der vil drage fordel af projektet, samt hvad og hvorfor de har brug for det. Et veldefineret mål bør være målbart og kvantificerbart for at definere et acceptabelt resultat.
|
|
|
|
Spørgsmål, en data scientist kan stille:
|
|
- Er dette problem blevet adresseret før? Hvad blev opdaget?
|
|
- Er formålet og målet forstået af alle involverede?
|
|
- Er der uklarheder, og hvordan kan de reduceres?
|
|
- Hvad er begrænsningerne?
|
|
- Hvordan vil det endelige resultat potentielt se ud?
|
|
- Hvor mange ressourcer (tid, mennesker, beregningskraft) er til rådighed?
|
|
|
|
Næste skridt er at identificere, indsamle og derefter udforske de data, der er nødvendige for at opnå de definerede mål. På dette trin i dataindsamlingen skal data scientists også evaluere mængden og kvaliteten af dataene. Dette kræver en vis dataudforskning for at bekræfte, at det, der er indsamlet, vil understøtte opnåelsen af det ønskede resultat.
|
|
|
|
Spørgsmål, en data scientist kan stille om dataene:
|
|
- Hvilke data er allerede tilgængelige for mig?
|
|
- Hvem ejer disse data?
|
|
- Hvad er privatlivsbekymringerne?
|
|
- Har jeg nok til at løse dette problem?
|
|
- Er dataene af acceptabel kvalitet til dette problem?
|
|
- Hvis jeg opdager yderligere information gennem disse data, bør vi så overveje at ændre eller omdefinere målene?
|
|
|
|
## Behandling
|
|
|
|
Behandlingsfasen i livscyklussen fokuserer på at opdage mønstre i dataene samt modellering. Nogle teknikker, der bruges i behandlingsfasen, kræver statistiske metoder til at afdække mønstre. Typisk ville dette være en tidskrævende opgave for et menneske at udføre med et stort datasæt, og derfor vil computere blive brugt til at lette og fremskynde processen. Denne fase er også, hvor data science og maskinlæring krydser hinanden. Som du lærte i den første lektion, er maskinlæring processen med at bygge modeller for at forstå dataene. Modeller er en repræsentation af forholdet mellem variabler i dataene, som hjælper med at forudsige resultater.
|
|
|
|
Almindelige teknikker, der bruges i denne fase, er dækket i ML for Beginners-kurset. Følg linkene for at lære mere om dem:
|
|
|
|
- [Klassifikation](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organisering af data i kategorier for mere effektiv brug.
|
|
- [Klyngedannelse](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Gruppering af data i lignende grupper.
|
|
- [Regression](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Bestemmelse af forholdet mellem variabler for at forudsige eller forudsige værdier.
|
|
|
|
## Vedligeholdelse
|
|
|
|
I diagrammet over livscyklussen har du måske bemærket, at vedligeholdelse ligger mellem indsamling og behandling. Vedligeholdelse er en løbende proces med at administrere, opbevare og sikre data gennem hele projektets forløb og bør tages i betragtning under hele projektet.
|
|
|
|
### Opbevaring af data
|
|
|
|
Overvejelser om, hvordan og hvor data opbevares, kan påvirke omkostningerne ved opbevaring samt ydeevnen i forhold til, hvor hurtigt data kan tilgås. Beslutninger som disse træffes sandsynligvis ikke af en data scientist alene, men de kan finde sig selv i at træffe valg om, hvordan de arbejder med dataene baseret på, hvordan de er opbevaret.
|
|
|
|
Her er nogle aspekter af moderne datalagringssystemer, der kan påvirke disse valg:
|
|
|
|
**On-premise vs off-premise vs offentlig eller privat sky**
|
|
|
|
On-premise refererer til at hoste og administrere data på eget udstyr, som f.eks. at eje en server med harddiske, der opbevarer dataene, mens off-premise afhænger af udstyr, som du ikke ejer, såsom et datacenter. Den offentlige sky er et populært valg til opbevaring af data, der ikke kræver viden om, hvordan eller hvor dataene præcist er opbevaret, hvor "offentlig" refererer til en fælles underliggende infrastruktur, der deles af alle, der bruger skyen. Nogle organisationer har strenge sikkerhedspolitikker, der kræver, at de har fuld adgang til det udstyr, hvor dataene er hostet, og vil derfor benytte en privat sky, der tilbyder egne cloud-tjenester. Du vil lære mere om data i skyen i [senere lektioner](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
|
|
|
|
**Kold vs varm data**
|
|
|
|
Når du træner dine modeller, kan du have brug for mere træningsdata. Hvis du er tilfreds med din model, vil der stadig komme flere data, som modellen skal bruge for at opfylde sit formål. I begge tilfælde vil omkostningerne ved at opbevare og tilgå data stige, efterhånden som du akkumulerer mere af det. At adskille sjældent brugte data, kendt som kold data, fra ofte tilgået varm data kan være en billigere løsning til datalagring gennem hardware eller softwaretjenester. Hvis kold data skal tilgås, kan det tage lidt længere tid at hente sammenlignet med varm data.
|
|
|
|
### Administration af data
|
|
|
|
Når du arbejder med data, kan du opdage, at nogle af dataene skal renses ved hjælp af nogle af de teknikker, der er dækket i lektionen om [databehandling](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) for at bygge præcise modeller. Når nye data ankommer, vil de kræve nogle af de samme applikationer for at opretholde konsistens i kvaliteten. Nogle projekter vil involvere brugen af et automatiseret værktøj til rensning, aggregering og komprimering, før dataene flyttes til deres endelige placering. Azure Data Factory er et eksempel på et af disse værktøjer.
|
|
|
|
### Sikring af data
|
|
|
|
Et af hovedmålene med at sikre data er at sikre, at de, der arbejder med dem, har kontrol over, hvad der indsamles, og i hvilken kontekst det bruges. At holde data sikre indebærer at begrænse adgangen til kun dem, der har brug for det, overholde lokale love og regler samt opretholde etiske standarder, som dækket i [etiklektionen](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
|
|
|
|
Her er nogle ting, et team kan gøre med sikkerhed for øje:
|
|
- Bekræfte, at alle data er krypteret
|
|
- Give kunder information om, hvordan deres data bruges
|
|
- Fjerne dataadgang fra dem, der har forladt projektet
|
|
- Kun lade visse projektmedlemmer ændre dataene
|
|
|
|
## 🚀 Udfordring
|
|
|
|
Der findes mange versioner af Data Science Livscyklus, hvor hvert trin kan have forskellige navne og antal faser, men de vil indeholde de samme processer, som er nævnt i denne lektion.
|
|
|
|
Undersøg [Team Data Science Process livscyklus](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) og [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/). Nævn 3 ligheder og forskelle mellem de to.
|
|
|
|
|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
|
|
|--|--|
|
|
| |  |
|
|
| Billede af [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Billede af [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
|
|
|
|
## [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/ds/quiz/27)
|
|
|
|
## Gennemgang & Selvstudie
|
|
|
|
Anvendelse af Data Science Livscyklus involverer flere roller og opgaver, hvor nogle kan fokusere på bestemte dele af hver fase. Team Data Science Process tilbyder nogle ressourcer, der forklarer de typer roller og opgaver, som nogen kan have i et projekt.
|
|
|
|
* [Team Data Science Process roller og opgaver](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
|
|
* [Udfør data science-opgaver: udforskning, modellering og implementering](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
|
|
|
|
## Opgave
|
|
|
|
[Vurdering af et datasæt](assignment.md)
|
|
|
|
---
|
|
|
|
**Ansvarsfraskrivelse**:
|
|
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten [Co-op Translator](https://github.com/Azure/co-op-translator). Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse. |