Data-Science-For-Beginners/translations/ro/6-Data-Science-In-Wild/20-Real-World-Examples/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "f95679140c7cb39c30ccba535cd8f03f",
  "translation_date": "2025-09-05T05:38:34+00:00",
  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
  "language_code": "ro"
}
-->
# Știința Datelor în Lumea Reală

| ![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
| :--------------------------------------------------------------------------------------------------------------: |
|               Știința Datelor în Lumea Reală - _Sketchnote de [@nitya](https://twitter.com/nitya)_               |

Suntem aproape de finalul acestei călătorii de învățare!

Am început cu definițiile științei datelor și eticii, am explorat diverse instrumente și tehnici pentru analiza și vizualizarea datelor, am revizuit ciclul de viață al științei datelor și am analizat scalarea și automatizarea fluxurilor de lucru în știința datelor folosind servicii de cloud computing. Așadar, probabil te întrebi: _"Cum pot aplica toate aceste cunoștințe în contexte reale?"_

În această lecție, vom explora aplicațiile reale ale științei datelor în industrie și vom analiza exemple specifice în cercetare, umanistică digitală și sustenabilitate. Vom discuta despre oportunități de proiecte pentru studenți și vom încheia cu resurse utile pentru a-ți continua călătoria de învățare!

## Chestionar Pre-Lecție

[Chestionar pre-lecție](https://ff-quizzes.netlify.app/en/ds/)

## Știința Datelor + Industrie

Datorită democratizării AI, dezvoltatorii găsesc acum mai ușor să proiecteze și să integreze decizii bazate pe AI și perspective bazate pe date în experiențele utilizatorilor și fluxurile de lucru de dezvoltare. Iată câteva exemple despre cum știința datelor este "aplicată" în contexte reale din industrie:

 * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) a utilizat știința datelor pentru a corela termenii de căutare cu tendințele de gripă. Deși abordarea a avut defecte, a atras atenția asupra posibilităților (și provocărilor) predicțiilor bazate pe date în domeniul sănătății.

 * [Predicții de rutare UPS](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - explică modul în care UPS folosește știința datelor și învățarea automată pentru a prezice rute optime de livrare, ținând cont de condițiile meteorologice, traficul, termenele de livrare și altele.

 * [Vizualizarea rutelor taxiurilor din NYC](http://chriswhong.github.io/nyctaxi/) - datele colectate prin [Legile privind Libertatea Informației](https://chriswhong.com/open-data/foil_nyc_taxi/) au ajutat la vizualizarea unei zile din viața taxiurilor din NYC, oferindu-ne o înțelegere a modului în care navighează prin orașul aglomerat, câștigurile lor și durata călătoriilor pe parcursul fiecărei perioade de 24 de ore.

 * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - folosește date (despre locațiile de preluare și predare, durata călătoriilor, rutele preferate etc.) colectate din milioane de călătorii Uber *zilnic* pentru a construi un instrument de analiză a datelor care ajută la stabilirea prețurilor, siguranță, detectarea fraudei și decizii de navigare.

 * [Analitică sportivă](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - se concentrează pe _analitică predictivă_ (analiza echipelor și jucătorilor - gândiți-vă la [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - și gestionarea fanilor) și _vizualizarea datelor_ (tablouri de bord pentru echipe și fani, jocuri etc.) cu aplicații precum recrutarea de talente, pariurile sportive și gestionarea inventarului/locațiilor.

 * [Știința datelor în sectorul bancar](https://data-flair.training/blogs/data-science-in-banking/) - evidențiază valoarea științei datelor în industria financiară, cu aplicații variind de la modelarea riscurilor și detectarea fraudei, la segmentarea clienților, predicții în timp real și sisteme de recomandare. Analitica predictivă susține, de asemenea, măsuri critice precum [scorurile de credit](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).

 * [Știința datelor în sănătate](https://data-flair.training/blogs/data-science-in-healthcare/) - evidențiază aplicații precum imagistica medicală (de exemplu, RMN, radiografie, CT-Scan), genomica (secvențierea ADN-ului), dezvoltarea medicamentelor (evaluarea riscurilor, predicția succesului), analitica predictivă (îngrijirea pacienților și logistica aprovizionării), urmărirea și prevenirea bolilor etc.

![Aplicații ale Științei Datelor în Lumea Reală](../../../../6-Data-Science-In-Wild/20-Real-World-Examples/images/data-science-applications.png) Credit imagine: [Data Flair: 6 Aplicații Uimitoare ale Științei Datelor ](https://data-flair.training/blogs/data-science-applications/)

Figura arată alte domenii și exemple de aplicare a tehnicilor de știința datelor. Vrei să explorezi alte aplicații? Consultă secțiunea [Revizuire & Studiu Individual](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) de mai jos.

## Știința Datelor + Cercetare

| ![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
| :---------------------------------------------------------------------------------------------------------------: |
|              Știința Datelor & Cercetare - _Sketchnote de [@nitya](https://twitter.com/nitya)_              |

Deși aplicațiile reale se concentrează adesea pe cazuri de utilizare industriale la scară, aplicațiile și proiectele de _cercetare_ pot fi utile din două perspective:

* _oportunități de inovare_ - explorarea prototipării rapide a conceptelor avansate și testarea experiențelor utilizatorilor pentru aplicații de generație următoare.
* _provocări de implementare_ - investigarea potențialelor daune sau consecințe neintenționate ale tehnologiilor de știința datelor în contexte reale.

Pentru studenți, aceste proiecte de cercetare pot oferi oportunități de învățare și colaborare care îți pot îmbunătăți înțelegerea subiectului și îți pot extinde conștientizarea și implicarea cu persoane sau echipe relevante care lucrează în domenii de interes. Cum arată proiectele de cercetare și cum pot avea impact?

Să analizăm un exemplu - [MIT Gender Shades Study](http://gendershades.org/overview.html) de Joy Buolamwini (MIT Media Labs) cu un [articol de cercetare semnătură](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) co-autor cu Timnit Gebru (pe atunci la Microsoft Research) care s-a concentrat pe:

 * **Ce:** Obiectivul proiectului de cercetare a fost să _evalueze prejudecățile prezente în algoritmii și seturile de date de analiză facială automată_ bazate pe gen și tipul de piele.
 * **De ce:** Analiza facială este utilizată în domenii precum aplicarea legii, securitatea aeroporturilor, sistemele de angajare și altele - contexte în care clasificările inexacte (de exemplu, din cauza prejudecăților) pot cauza daune economice și sociale potențiale pentru indivizii sau grupurile afectate. Înțelegerea (și eliminarea sau atenuarea) prejudecăților este esențială pentru echitate în utilizare.
 * **Cum:** Cercetătorii au recunoscut că reperele existente utilizau predominant subiecți cu piele mai deschisă și au creat un nou set de date (peste 1000 de imagini) care era _mai echilibrat_ în funcție de gen și tipul de piele. Setul de date a fost utilizat pentru a evalua acuratețea a trei produse de clasificare a genului (de la Microsoft, IBM & Face++).

Rezultatele au arătat că, deși acuratețea generală a clasificării era bună, exista o diferență notabilă în ratele de eroare între diverse subgrupuri - cu **clasificări greșite** mai frecvente pentru femei sau persoane cu pielea mai închisă, indicând prejudecăți.

**Rezultate cheie:** A atras atenția asupra faptului că știința datelor are nevoie de _seturi de date mai reprezentative_ (subgrupuri echilibrate) și de _echipe mai incluzive_ (diverse din punct de vedere al background-ului) pentru a recunoaște și elimina sau atenua astfel de prejudecăți mai devreme în soluțiile AI. Eforturile de cercetare precum acesta sunt, de asemenea, instrumentale în definirea principiilor și practicilor pentru _AI responsabil_ în multe organizații, pentru a îmbunătăți echitatea în produsele și procesele lor AI.

**Vrei să afli despre eforturile de cercetare relevante la Microsoft?**

* Consultă [Proiectele de Cercetare Microsoft](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) în Inteligența Artificială.
* Explorează proiectele studenților din [Școala de Vară Microsoft Research Data Science](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
* Consultă proiectul [Fairlearn](https://fairlearn.org/) și inițiativele [AI Responsabil](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).

## Știința Datelor + Umanistică

| ![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
| :---------------------------------------------------------------------------------------------------------------: |
|              Știința Datelor & Umanistică Digitală - _Sketchnote de [@nitya](https://twitter.com/nitya)_              |

Umanistica Digitală [a fost definită](https://digitalhumanities.stanford.edu/about-dh-stanford) ca "o colecție de practici și abordări care combină metode computaționale cu cercetarea umanistică". [Proiectele Stanford](https://digitalhumanities.stanford.edu/projects) precum _"rebooting history"_ și _"poetic thinking"_ ilustrează legătura dintre [Umanistica Digitală și Știința Datelor](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - subliniind tehnici precum analiza rețelelor, vizualizarea informațiilor, analiza spațială și textuală care ne pot ajuta să revizităm seturi de date istorice și literare pentru a obține noi perspective și înțelegeri.

*Vrei să explorezi și să extinzi un proiect în acest domeniu?*

Consultă ["Emily Dickinson și Metrul Stării de Spirit"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - un exemplu excelent de la [Jen Looper](https://twitter.com/jenlooper) care întreabă cum putem folosi știința datelor pentru a revizita poezia familiară și a reevalua semnificația acesteia și contribuțiile autorului în noi contexte. De exemplu, _putem prezice sezonul în care a fost scrisă o poezie analizând tonul sau sentimentul acesteia_ - și ce ne spune acest lucru despre starea de spirit a autorului în perioada respectivă?

Pentru a răspunde la această întrebare, urmăm pașii ciclului de viață al științei datelor:
 * [`Achiziția Datelor`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - pentru a colecta un set de date relevant pentru analiză. Opțiunile includ utilizarea unui API (de exemplu, [Poetry DB API](https://poetrydb.org/index.html)) sau extragerea paginilor web (de exemplu, [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) folosind instrumente precum [Scrapy](https://scrapy.org/).
 * [`Curățarea Datelor`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - explică modul în care textul poate fi formatat, igienizat și simplificat folosind instrumente de bază precum Visual Studio Code și Microsoft Excel.
 * [`Analiza Datelor`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - explică modul în care putem importa setul de date în "Notebooks" pentru analiză folosind pachete Python (precum pandas, numpy și matplotlib) pentru organizarea și vizualizarea datelor.
 * [`Analiza Sentimentului`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - explică modul în care putem integra servicii cloud precum Text Analytics, folosind instrumente low-code precum [Power Automate](https://flow.microsoft.com/en-us/) pentru fluxuri de lucru automate de procesare a datelor.

Folosind acest flux de lucru, putem explora impactul sezonier asupra sentimentului poeziilor și ne putem forma propriile perspective asupra autorului. Încearcă-l singur - apoi extinde notebook-ul pentru a pune alte întrebări sau pentru a vizualiza datele în moduri noi!

> Poți folosi unele dintre instrumentele din [trusa de instrumente pentru Umanistica Digitală](https://github.com/Digital-Humanities-Toolkit) pentru a urmări aceste direcții de cercetare.

## Știința Datelor + Sustenabilitate

| ![ Sketchnote de [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
| :---------------------------------------------------------------------------------------------------------------: |
|              Știința Datelor & Sustenabilitate - _Sketchnote de [@nitya](https://twitter.com/nitya)_              |

[Agenda 2030 pentru Dezvoltare Durabilă](https://sdgs.un.org/2030agenda) - adoptată de toți membrii Națiunilor Unite în 2015 - identifică 17 obiective, inclusiv cele care se concentrează pe **Protejarea Planetei** împotriva degradării și impactului schimbărilor climatice. Inițiativa [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) susține aceste obiective explorând modalități prin care soluțiile tehnologice pot sprijini și construi un viitor mai sustenabil, cu un [focalizare pe 4 obiective](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - a fi negativ din punct de vedere al emisiilor de carbon, pozitiv din punct de vedere al apei, fără deșeuri și biodiversificat până în 2030.

Abordarea acestor provocări într-un mod scalabil și oportun necesită gândire la scară cloud - și date la scară largă. Inițiativa [Planetary Computer](https://planetarycomputer.microsoft.com/) oferă 4 componente pentru a ajuta oamenii de știință și dezvoltatorii în acest efort:

 * [Catalog de Date](https://planetarycomputer.microsoft.com/catalog) - cu petabytes de date despre Sistemele Terestre (gratuit și găzduit pe Azure).
 * [API Planetary](https://planetarycomputer.microsoft.com/docs/reference/stac/) - pentru a ajuta utilizatorii să caute date relevante în funcție de spațiu și timp.
 * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - mediu gestionat pentru oamenii de știință pentru a procesa seturi masive de date geospațiale.
 * [Aplicații](https://planetarycomputer.microsoft.com/applications) - prezintă cazuri de utilizare și instrumente pentru perspective de sustenabilitate.
**Proiectul Planetary Computer este în faza de previzualizare (din septembrie 2021)** - iată cum puteți începe să contribuiți la soluții de sustenabilitate folosind știința datelor.

* [Solicitați acces](https://planetarycomputer.microsoft.com/account/request) pentru a începe explorarea și a vă conecta cu colegii.
* [Explorați documentația](https://planetarycomputer.microsoft.com/docs/overview/about) pentru a înțelege seturile de date și API-urile suportate.
* Descoperiți aplicații precum [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) pentru inspirație în dezvoltarea de idei de aplicații.

Gândiți-vă cum puteți utiliza vizualizarea datelor pentru a expune sau amplifica perspective relevante în domenii precum schimbările climatice și defrișările. Sau gândiți-vă cum pot fi utilizate aceste perspective pentru a crea noi experiențe pentru utilizatori care să motiveze schimbări comportamentale pentru un stil de viață mai sustenabil.

## Știința Datelor + Studenți

Am discutat despre aplicații reale în industrie și cercetare și am explorat exemple de aplicații de știința datelor în domeniul umanisticii digitale și sustenabilității. Deci, cum puteți să vă dezvoltați abilitățile și să vă împărtășiți expertiza ca începători în știința datelor?

Iată câteva exemple de proiecte de știința datelor realizate de studenți pentru a vă inspira.

 * [Școala de Vară MSR Data Science](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) cu [proiecte](https://github.com/msr-ds3) pe GitHub care explorează subiecte precum:
    - [Bias rasial în utilizarea forței de către poliție](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
    - [Fiabilitatea sistemului de metrou din NYC](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
 * [Digitizarea culturii materiale: Explorarea distribuțiilor socio-economice în Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - de la [Ornella Altunyan](https://twitter.com/ornelladotcom) și echipa sa de la Claremont, utilizând [ArcGIS StoryMaps](https://storymaps.arcgis.com/).

## 🚀 Provocare

Căutați articole care recomandă proiecte de știința datelor prietenoase pentru începători - precum [aceste 50 de domenii](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) sau [aceste 21 de idei de proiecte](https://www.intellspot.com/data-science-project-ideas) sau [aceste 16 proiecte cu cod sursă](https://data-flair.training/blogs/data-science-project-ideas/) pe care le puteți analiza și adapta. Și nu uitați să scrieți pe blog despre călătoria voastră de învățare și să împărtășiți perspectivele voastre cu noi toți.

## Test de evaluare post-lectură

## [Test de evaluare post-lectură](https://ff-quizzes.netlify.app/en/ds/)

## Recapitulare & Studiu Individual

Doriți să explorați mai multe cazuri de utilizare? Iată câteva articole relevante:
 * [17 Aplicații și Exemple de Știința Datelor](https://builtin.com/data-science/data-science-applications-examples) - iulie 2021
 * [11 Aplicații Uimitoare ale Științei Datelor în Lumea Reală](https://myblindbird.com/data-science-applications-real-world/) - mai 2021
 * [Știința Datelor în Lumea Reală](https://towardsdatascience.com/data-science-in-the-real-world/home) - Colecție de articole
 * Știința Datelor în: [Educație](https://data-flair.training/blogs/data-science-in-education/), [Agricultură](https://data-flair.training/blogs/data-science-in-agriculture/), [Finanțe](https://data-flair.training/blogs/data-science-in-finance/), [Filme](https://data-flair.training/blogs/data-science-at-movies/) și altele.

## Temă

[Explorați un set de date din Planetary Computer](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.