8.4 KiB
數據科學生命周期簡介
 |
|---|
| 數據科學生命周期簡介 - 手繪筆記由 @nitya 繪製 |
課前測驗
到目前為止，你可能已經意識到數據科學是一個過程。這個過程可以分為五個階段：
- 捕獲
- 處理
- 分析
- 溝通
- 維護
本課程將重點介紹生命周期中的三個部分：捕獲、處理和維護。
捕獲
生命周期的第一階段非常重要，因為接下來的階段都依賴於它。這實際上是兩個階段的結合：獲取數據以及定義需要解決的目的和問題。
定義項目的目標需要對問題或問題有更深入的背景了解。首先，我們需要識別並獲取那些需要解決問題的人。這些可能是企業的利益相關者或項目的贊助者，他們可以幫助確定誰或什麼將從該項目中受益，以及他們需要什麼和為什麼需要它。一個定義良好的目標應該是可測量且可量化的，以便定義可接受的結果。
數據科學家可能會問的問題：
- 這個問題以前是否被解決過？發現了什麼？
- 所有參與者是否都理解目的和目標？
- 是否存在模糊性？如何減少模糊性？
- 有哪些限制？
- 最終結果可能是什麼樣子？
- 有多少資源（時間、人員、計算能力）可用？
接下來是識別、收集，最後探索為實現這些定義目標所需的數據。在這個獲取階段，數據科學家還必須評估數據的數量和質量。這需要一些數據探索來確認所獲取的數據是否能支持達到預期結果。
數據科學家可能會問的數據相關問題：
- 我已經擁有哪些數據？
- 誰擁有這些數據？
- 有哪些隱私問題？
- 我是否擁有足夠的數據來解決這個問題？
- 這些數據的質量是否適合解決這個問題？
- 如果通過這些數據發現了額外的信息，我們是否應該考慮更改或重新定義目標？
處理
生命周期的處理階段專注於發現數據中的模式以及建模。在處理階段使用的一些技術需要統計方法來揭示模式。通常，對於大型數據集來說，這是一項繁瑣的任務，需要依賴計算機來完成繁重的工作以加快過程。這一階段也是數據科學與機器學習交叉的地方。正如你在第一課中學到的，機器學習是構建模型以理解數據的過程。模型是數據中變量之間關係的表示，有助於預測結果。
本階段常用的技術在《機器學習初學者》課程中有介紹。點擊以下鏈接了解更多：
維護
在生命周期的圖表中，你可能注意到維護位於捕獲和處理之間。維護是一個持續的過程，涉及在項目過程中管理、存儲和保護數據，並且應在整個項目中加以考慮。
存儲數據
數據存儲的方式和位置會影響存儲成本以及數據訪問的速度。這些決策通常不會由數據科學家單獨做出，但他們可能需要根據數據的存儲方式來選擇如何處理數據。
以下是現代數據存儲系統的一些方面，可能會影響這些選擇：
本地存儲 vs 非本地存儲 vs 公有雲或私有雲
本地存儲是指在自己的設備上管理數據，例如擁有一台存儲數據的服務器；而非本地存儲依賴於你不擁有的設備，例如數據中心。公有雲是一種流行的數據存儲選擇，無需了解數據的具體存儲位置或方式，其中“公有”指的是所有使用雲服務的人共享統一的基礎設施。一些組織有嚴格的安全政策，要求完全訪問存儲數據的設備，這時會選擇提供專屬雲服務的私有雲。你將在後續課程中學到更多關於雲端數據的內容。
冷數據 vs 熱數據
在訓練模型時，你可能需要更多的訓練數據。如果你對模型感到滿意，仍然會有更多數據到來以支持模型的用途。無論如何，隨著數據的積累，存儲和訪問數據的成本將會增加。將很少使用的數據（稱為冷數據）與經常訪問的數據（稱為熱數據）分開存儲，通過硬件或軟件服務可以是一種更便宜的存儲選擇。如果需要訪問冷數據，可能會比熱數據花費更長的時間。
管理數據
在處理數據時，你可能會發現一些數據需要使用數據準備課程中介紹的技術進行清理，以構建準確的模型。當新數據到來時，也需要應用相同的技術來保持質量的一致性。一些項目會使用自動化工具來進行清理、聚合和壓縮，然後將數據移動到最終位置。Azure Data Factory 就是一個這樣的工具。
保護數據
保護數據的主要目標之一是確保數據的收集和使用處於控制之中。保持數據安全包括限制只有需要的人才能訪問數據，遵守當地法律和法規，以及維持道德標準。
以下是團隊可能採取的一些安全措施：
- 確保所有數據都已加密
- 向客戶提供有關其數據使用方式的信息
- 移除已離開項目人員的數據訪問權限
- 僅允許特定項目成員更改數據
🚀 挑戰
數據科學生命周期有許多不同的版本，每個版本的步驟名稱和階段數量可能不同，但都包含本課程中提到的相同過程。
探索團隊數據科學過程生命周期和跨行業數據挖掘標準過程。列出兩者的三個相似點和不同點。
| 團隊數據科學過程 (TDSP) | 跨行業數據挖掘標準過程 (CRISP-DM) |
|---|---|
 |
 |
| 圖片來源：Microsoft | 圖片來源：Data Science Process Alliance |
課後測驗
回顧與自學
應用數據科學生命周期涉及多種角色和任務，其中一些可能專注於每個階段的特定部分。團隊數據科學過程提供了一些資源，解釋了某人在項目中可能擔任的角色和任務。
作業
免責聲明：
此文件已使用人工智能翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業的人類翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。