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.
82 lines
7.2 KiB
82 lines
7.2 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "8141e7195841682914be03ef930fe43d",
|
|
"translation_date": "2025-09-03T20:14:38+00:00",
|
|
"source_file": "1-Introduction/01-defining-data-science/README.md",
|
|
"language_code": "pl"
|
|
}
|
|
-->
|
|
## Definiowanie Data Science
|
|
|
|
|  ](../../sketchnotes/01-Definitions.png) |
|
|
| :----------------------------------------------------------------------------------------------------------: |
|
|
| Definiowanie Data Science - _Sketchnote autorstwa [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
---
|
|
|
|
[](https://youtu.be/beZ7Mb_oz9I)
|
|
|
|
## [Quiz przed wykładem](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/0)
|
|
|
|
## Co to jest dane?
|
|
W naszym codziennym życiu jesteśmy nieustannie otoczeni danymi. Tekst, który teraz czytasz, to dane. Lista numerów telefonów Twoich znajomych w smartfonie to dane, podobnie jak aktualny czas wyświetlany na zegarku. Jako ludzie naturalnie operujemy danymi, licząc pieniądze, które posiadamy, czy pisząc listy do znajomych.
|
|
|
|
Jednak dane stały się znacznie bardziej istotne wraz z powstaniem komputerów. Główną rolą komputerów jest wykonywanie obliczeń, ale potrzebują one danych, aby na nich operować. Dlatego musimy zrozumieć, jak komputery przechowują i przetwarzają dane.
|
|
|
|
Wraz z pojawieniem się Internetu rola komputerów jako urządzeń do obsługi danych wzrosła. Jeśli się nad tym zastanowić, obecnie używamy komputerów coraz częściej do przetwarzania danych i komunikacji, a nie do samych obliczeń. Pisząc e-mail do znajomego czy szukając informacji w Internecie, w istocie tworzymy, przechowujemy, przesyłamy i manipulujemy danymi.
|
|
> Czy pamiętasz, kiedy ostatni raz używałeś komputera do faktycznego obliczania czegoś?
|
|
|
|
## Co to jest Data Science?
|
|
|
|
Na [Wikipedii](https://en.wikipedia.org/wiki/Data_science), **Data Science** jest definiowane jako *dziedzina naukowa, która wykorzystuje metody naukowe do wydobywania wiedzy i wniosków ze strukturalnych i niestrukturalnych danych oraz stosowania wiedzy i praktycznych wniosków z danych w szerokim zakresie dziedzin zastosowań*.
|
|
|
|
Ta definicja podkreśla następujące ważne aspekty Data Science:
|
|
|
|
* Głównym celem Data Science jest **wydobywanie wiedzy** z danych, innymi słowy - **zrozumienie** danych, odnalezienie ukrytych zależności i stworzenie **modelu**.
|
|
* Data Science wykorzystuje **metody naukowe**, takie jak prawdopodobieństwo i statystyka. W rzeczywistości, gdy termin *Data Science* został po raz pierwszy wprowadzony, niektórzy twierdzili, że to tylko nowa, modna nazwa dla statystyki. Obecnie stało się jasne, że dziedzina ta jest znacznie szersza.
|
|
* Uzyskana wiedza powinna być stosowana do tworzenia **praktycznych wniosków**, czyli takich, które można zastosować w rzeczywistych sytuacjach biznesowych.
|
|
* Powinniśmy być w stanie operować zarówno na danych **strukturalnych**, jak i **niestrukturalnych**. Do tego tematu wrócimy później w kursie.
|
|
* **Dziedzina zastosowania** to ważne pojęcie, a specjaliści od Data Science często potrzebują przynajmniej pewnego stopnia wiedzy w danej dziedzinie, na przykład: finansach, medycynie, marketingu itd.
|
|
|
|
> Kolejnym istotnym aspektem Data Science jest badanie, jak dane mogą być zbierane, przechowywane i przetwarzane za pomocą komputerów. Podczas gdy statystyka dostarcza nam matematycznych podstaw, Data Science stosuje te koncepcje matematyczne, aby faktycznie wyciągać wnioski z danych.
|
|
|
|
Jednym ze sposobów (przypisywanym [Jimowi Grayowi](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist))) spojrzenia na Data Science jest traktowanie jej jako odrębnego paradygmatu nauki:
|
|
* **Empiryczny**, w którym polegamy głównie na obserwacjach i wynikach eksperymentów
|
|
* **Teoretyczny**, gdzie nowe koncepcje wyłaniają się z istniejącej wiedzy naukowej
|
|
* **Obliczeniowy**, gdzie odkrywamy nowe zasady na podstawie eksperymentów obliczeniowych
|
|
* **Oparty na danych**, bazujący na odkrywaniu zależności i wzorców w danych
|
|
|
|
## Powiązane dziedziny
|
|
|
|
Ponieważ dane są wszechobecne, Data Science również jest szeroką dziedziną, która dotyka wielu innych dyscyplin.
|
|
Można argumentować, że takie podejście nie jest idealne, ponieważ moduły mogą mieć różne długości. Prawdopodobnie bardziej sprawiedliwe byłoby podzielenie czasu przez długość modułu (w liczbie znaków) i porównanie tych wartości zamiast tego.
|
|
Kiedy zaczynamy analizować wyniki testów wielokrotnego wyboru, możemy spróbować określić, które pojęcia sprawiają uczniom trudności w zrozumieniu, i wykorzystać te informacje do ulepszenia treści. Aby to zrobić, musimy zaprojektować testy w taki sposób, aby każde pytanie odnosiło się do konkretnego pojęcia lub fragmentu wiedzy.
|
|
|
|
Jeśli chcemy podejść do tego bardziej szczegółowo, możemy zestawić czas potrzebny na ukończenie każdego modułu z kategorią wiekową uczniów. Możemy odkryć, że dla niektórych grup wiekowych ukończenie modułu zajmuje nieproporcjonalnie dużo czasu lub że uczniowie rezygnują przed jego ukończeniem. To może pomóc nam w określeniu rekomendacji wiekowych dla modułu i zminimalizowaniu niezadowolenia wynikającego z niewłaściwych oczekiwań.
|
|
|
|
## 🚀 Wyzwanie
|
|
|
|
W tym wyzwaniu spróbujemy znaleźć pojęcia związane z dziedziną Data Science, analizując teksty. Pobierzemy artykuł z Wikipedii na temat Data Science, przetworzymy tekst, a następnie stworzymy chmurę słów, taką jak ta:
|
|
|
|
|
|
|
|
Odwiedź [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore'), aby przejrzeć kod. Możesz również uruchomić kod i zobaczyć, jak w czasie rzeczywistym wykonuje wszystkie transformacje danych.
|
|
|
|
> Jeśli nie wiesz, jak uruchomić kod w Jupyter Notebook, zapoznaj się z [tym artykułem](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
|
|
|
|
## [Quiz po wykładzie](https://ff-quizzes.netlify.app/en/ds/)
|
|
|
|
## Zadania
|
|
|
|
* **Zadanie 1**: Zmodyfikuj powyższy kod, aby znaleźć powiązane pojęcia dla dziedzin **Big Data** i **Machine Learning**
|
|
* **Zadanie 2**: [Przemyśl scenariusze związane z Data Science](assignment.md)
|
|
|
|
## Podziękowania
|
|
|
|
Ta lekcja została napisana z ♥️ przez [Dmitry Soshnikov](http://soshnikov.com)
|
|
|
|
---
|
|
|
|
**Zastrzeżenie**:
|
|
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby zapewnić poprawność tłumaczenia, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia. |