Data-Science-For-Beginners/translations/th/6-Data-Science-In-Wild/20-Real-World-Examples

วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง

วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง - Sketchnote โดย @nitya

เราใกล้จะถึงจุดสิ้นสุดของการเรียนรู้ครั้งนี้แล้ว!

เราเริ่มต้นด้วยการนิยามวิทยาศาสตร์ข้อมูลและจริยธรรม สำรวจเครื่องมือและเทคนิคต่าง ๆ สำหรับการวิเคราะห์และการแสดงผลข้อมูล ทบทวนวงจรชีวิตของวิทยาศาสตร์ข้อมูล และดูวิธีการขยายและทำให้กระบวนการวิทยาศาสตร์ข้อมูลเป็นอัตโนมัติด้วยบริการคลาวด์ ดังนั้น คุณอาจสงสัยว่า: "เราจะนำสิ่งที่เรียนรู้ทั้งหมดนี้ไปใช้ในบริบทของโลกแห่งความจริงได้อย่างไร?"

ในบทเรียนนี้ เราจะสำรวจการประยุกต์ใช้วิทยาศาสตร์ข้อมูลในโลกแห่งความจริงในอุตสาหกรรมต่าง ๆ และเจาะลึกตัวอย่างเฉพาะในบริบทของการวิจัย มนุษยศาสตร์ดิจิทัล และความยั่งยืน เราจะดูโอกาสในโครงการนักศึกษาและสรุปด้วยแหล่งข้อมูลที่มีประโยชน์เพื่อช่วยให้คุณเดินทางต่อไปในเส้นทางการเรียนรู้ของคุณ!

แบบทดสอบก่อนการบรรยาย

แบบทดสอบก่อนการบรรยาย

วิทยาศาสตร์ข้อมูล + อุตสาหกรรม

ด้วยการทำให้ AI เข้าถึงได้ง่ายขึ้น นักพัฒนาจึงสามารถออกแบบและผสานการตัดสินใจที่ขับเคลื่อนด้วย AI และข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลเข้าสู่ประสบการณ์ของผู้ใช้และกระบวนการพัฒนาได้ง่ายขึ้น ต่อไปนี้คือตัวอย่างบางส่วนของการที่วิทยาศาสตร์ข้อมูลถูก "ประยุกต์ใช้" ในโลกแห่งความจริงในอุตสาหกรรมต่าง ๆ:

• Google Flu Trends ใช้วิทยาศาสตร์ข้อมูลเพื่อเชื่อมโยงคำค้นหากับแนวโน้มของไข้หวัดใหญ่ แม้ว่าวิธีการนี้จะมีข้อบกพร่อง แต่ก็ช่วยสร้างความตระหนักถึงความเป็นไปได้ (และความท้าทาย) ของการทำนายด้านสุขภาพที่ขับเคลื่อนด้วยข้อมูล

• UPS Routing Predictions - อธิบายว่า UPS ใช้วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องเพื่อทำนายเส้นทางที่เหมาะสมที่สุดสำหรับการจัดส่ง โดยคำนึงถึงสภาพอากาศ รูปแบบการจราจร กำหนดเวลาการจัดส่ง และอื่น ๆ

• NYC Taxicab Route Visualization - ข้อมูลที่รวบรวมโดยใช้ Freedom Of Information Laws ช่วยให้เห็นภาพหนึ่งวันในชีวิตของรถแท็กซี่ในนิวยอร์กซิตี้ ช่วยให้เราเข้าใจว่าพวกเขานำทางในเมืองที่วุ่นวายอย่างไร รายได้ที่พวกเขาได้รับ และระยะเวลาของการเดินทางในแต่ละช่วงเวลา 24 ชั่วโมง

• Uber Data Science Workbench - ใช้ข้อมูล (เกี่ยวกับสถานที่รับและส่ง ระยะเวลาการเดินทาง เส้นทางที่นิยม ฯลฯ) ที่รวบรวมจากการเดินทางของ Uber หลายล้านครั้ง รายวัน เพื่อสร้างเครื่องมือวิเคราะห์ข้อมูลที่ช่วยในเรื่องการกำหนดราคา ความปลอดภัย การตรวจจับการฉ้อโกง และการตัดสินใจด้านการนำทาง

• Sports Analytics - มุ่งเน้นไปที่ การวิเคราะห์เชิงพยากรณ์ (การวิเคราะห์ทีมและผู้เล่น - เช่น Moneyball - และการจัดการแฟนคลับ) และ การแสดงผลข้อมูล (แดชบอร์ดทีมและแฟน เกม ฯลฯ) โดยมีการประยุกต์ใช้ เช่น การสรรหาผู้มีความสามารถ การพนันกีฬา และการจัดการสินค้าคงคลัง/สถานที่จัดงาน

• Data Science in Banking - เน้นคุณค่าของวิทยาศาสตร์ข้อมูลในอุตสาหกรรมการเงิน โดยมีการประยุกต์ใช้ตั้งแต่การสร้างแบบจำลองความเสี่ยงและการตรวจจับการฉ้อโกง ไปจนถึงการแบ่งกลุ่มลูกค้า การทำนายแบบเรียลไทม์ และระบบแนะนำ การวิเคราะห์เชิงพยากรณ์ยังช่วยขับเคลื่อนมาตรการสำคัญ เช่น คะแนนเครดิต

• Data Science in Healthcare - เน้นการประยุกต์ใช้ เช่น การถ่ายภาพทางการแพทย์ (เช่น MRI, X-Ray, CT-Scan) จีโนม (การจัดลำดับ DNA) การพัฒนายา (การประเมินความเสี่ยง การทำนายความสำเร็จ) การวิเคราะห์เชิงพยากรณ์ (การดูแลผู้ป่วยและโลจิสติกส์การจัดหา) การติดตามและป้องกันโรค ฯลฯ

เครดิตภาพ: Data Flair: 6 Amazing Data Science Applications

ภาพนี้แสดงโดเมนและตัวอย่างอื่น ๆ สำหรับการประยุกต์ใช้เทคนิควิทยาศาสตร์ข้อมูล ต้องการสำรวจการประยุกต์ใช้อื่น ๆ หรือไม่? ดูที่ส่วน Review & Self Study ด้านล่าง

วิทยาศาสตร์ข้อมูล + การวิจัย

วิทยาศาสตร์ข้อมูลและการวิจัย - Sketchnote โดย @nitya

ในขณะที่การประยุกต์ใช้ในโลกแห่งความจริงมักมุ่งเน้นไปที่กรณีการใช้งานในอุตสาหกรรมในระดับใหญ่ การประยุกต์ใช้และโครงการ การวิจัย สามารถเป็นประโยชน์จากสองมุมมอง:

• โอกาสในการสร้างนวัตกรรม - สำรวจการสร้างต้นแบบอย่างรวดเร็วของแนวคิดขั้นสูงและการทดสอบประสบการณ์ผู้ใช้สำหรับแอปพลิเคชันรุ่นต่อไป
• ความท้าทายในการนำไปใช้ - สืบสวนอันตรายที่อาจเกิดขึ้นหรือผลกระทบที่ไม่ได้ตั้งใจของเทคโนโลยีวิทยาศาสตร์ข้อมูลในบริบทของโลกแห่งความจริง

สำหรับนักเรียน โครงการวิจัยเหล่านี้สามารถให้โอกาสในการเรียนรู้และการทำงานร่วมกันที่ช่วยปรับปรุงความเข้าใจในหัวข้อ และขยายความตระหนักและการมีส่วนร่วมกับบุคคลหรือทีมที่เกี่ยวข้องที่ทำงานในพื้นที่ที่สนใจ แล้วโครงการวิจัยมีลักษณะอย่างไรและสามารถสร้างผลกระทบได้อย่างไร?

ลองดูตัวอย่างหนึ่ง - MIT Gender Shades Study จาก Joy Buolamwini (MIT Media Labs) พร้อม งานวิจัยที่โดดเด่น ที่ร่วมเขียนโดย Timnit Gebru (ขณะนั้นอยู่ที่ Microsoft Research) ซึ่งมุ่งเน้นไปที่

• อะไร: วัตถุประสงค์ของโครงการวิจัยคือ ประเมินอคติที่มีอยู่ในอัลกอริทึมการวิเคราะห์ใบหน้าอัตโนมัติและชุดข้อมูล ตามเพศและประเภทผิว
• ทำไม: การวิเคราะห์ใบหน้าใช้ในพื้นที่ต่าง ๆ เช่น การบังคับใช้กฎหมาย ความปลอดภัยในสนามบิน ระบบการจ้างงาน และอื่น ๆ - บริบทที่การจำแนกที่ไม่ถูกต้อง (เช่น เนื่องจากอคติ) อาจก่อให้เกิดอันตรายทางเศรษฐกิจและสังคมต่อบุคคลหรือกลุ่มที่ได้รับผลกระทบ การทำความเข้าใจ (และกำจัดหรือบรรเทา) อคติเป็นกุญแจสำคัญในการใช้งานอย่างเป็นธรรม
• อย่างไร: นักวิจัยตระหนักว่ามาตรฐานที่มีอยู่ใช้ตัวอย่างที่มีผิวสีอ่อนเป็นหลัก และสร้างชุดข้อมูลใหม่ (ภาพมากกว่า 1000 ภาพ) ที่ สมดุลมากขึ้น ตามเพศและประเภทผิว ชุดข้อมูลนี้ถูกใช้เพื่อประเมินความแม่นยำของผลิตภัณฑ์การจำแนกเพศสามรายการ (จาก Microsoft, IBM และ Face++)

ผลลัพธ์แสดงให้เห็นว่าแม้ความแม่นยำโดยรวมของการจำแนกจะดี แต่มีความแตกต่างที่สังเกตได้ในอัตราความผิดพลาดระหว่างกลุ่มย่อยต่าง ๆ โดยมี การจำผิดเพศ สูงขึ้นสำหรับผู้หญิงหรือบุคคลที่มีผิวสีเข้ม ซึ่งบ่งชี้ถึงอคติ

ผลลัพธ์สำคัญ: สร้างความตระหนักว่าวิทยาศาสตร์ข้อมูลต้องการชุดข้อมูลที่ เป็นตัวแทนมากขึ้น (กลุ่มย่อยที่สมดุล) และทีมที่ ครอบคลุมมากขึ้น (ภูมิหลังที่หลากหลาย) เพื่อรับรู้และกำจัดหรือบรรเทาอคติเช่นนี้ในโซลูชัน AI ตั้งแต่เนิ่น ๆ ความพยายามในการวิจัยเช่นนี้ยังมีบทบาทสำคัญในองค์กรหลายแห่งในการกำหนดหลักการและแนวปฏิบัติสำหรับ AI ที่มีความรับผิดชอบ เพื่อปรับปรุงความเป็นธรรมในผลิตภัณฑ์และกระบวนการ AI ของพวกเขา

ต้องการเรียนรู้เกี่ยวกับความพยายามในการวิจัยที่เกี่ยวข้องใน Microsoft หรือไม่?

• ดู โครงการวิจัยของ Microsoft ด้านปัญญาประดิษฐ์
• สำรวจโครงการนักศึกษาจาก Microsoft Research Data Science Summer School
• ดูโครงการ Fairlearn และความริเริ่ม AI ที่มีความรับผิดชอบ

วิทยาศาสตร์ข้อมูล + มนุษยศาสตร์

วิทยาศาสตร์ข้อมูลและมนุษยศาสตร์ดิจิทัล - Sketchnote โดย @nitya

มนุษยศาสตร์ดิจิทัล ถูกนิยาม ว่าเป็น "การรวบรวมแนวปฏิบัติและวิธีการที่ผสมผสานวิธีการคำนวณกับการสืบสวนเชิงมนุษยศาสตร์" โครงการ Stanford เช่น "rebooting history" และ "poetic thinking" แสดงให้เห็นถึงความเชื่อมโยงระหว่าง มนุษยศาสตร์ดิจิทัลและวิทยาศาสตร์ข้อมูล - โดยเน้นเทคนิค เช่น การวิเคราะห์เครือข่าย การแสดงผลข้อมูล การวิเคราะห์เชิงพื้นที่และข้อความ ที่สามารถช่วยให้เราทบทวนชุดข้อมูลทางประวัติศาสตร์และวรรณกรรมเพื่อค้นพบข้อมูลเชิงลึกและมุมมองใหม่ ๆ

ต้องการสำรวจและขยายโครงการในพื้นที่นี้หรือไม่?

ดูตัวอย่างที่ยอดเยี่ยมจาก Jen Looper เรื่อง "Emily Dickinson and the Meter of Mood" ที่ถามว่าเราสามารถใช้วิทยาศาสตร์ข้อมูลเพื่อทบทวนบทกวีที่คุ้นเคยและประเมินความหมายและผลงานของผู้เขียนในบริบทใหม่ได้อย่างไร ตัวอย่างเช่น เราสามารถทำนายฤดูกาลที่บทกวีถูกเขียนขึ้นโดยการวิเคราะห์โทนหรือความรู้สึกของมันได้หรือไม่ - และสิ่งนี้บอกอะไรเราเกี่ยวกับสภาพจิตใจของผู้เขียนในช่วงเวลาที่เกี่ยวข้อง?

เพื่อหาคำตอบ เราติดตามขั้นตอนของวงจรชีวิตวิทยาศาสตร์ข้อมูล:

• การได้มาของข้อมูล - เพื่อรวบรวมชุดข้อมูลที่เกี่ยวข้องสำหรับการวิเคราะห์ ตัวเลือกต่าง ๆ รวมถึงการใช้ API (เช่น Poetry DB API) หรือการดึงข้อมูลจากเว็บเพจ (เช่น Project Gutenberg) โดยใช้เครื่องมือ เช่น Scrapy
• การทำความสะอาดข้อมูล - อธิบายวิธีการจัดรูปแบบ ขจัดสิ่งสกปรก และทำให้ข้อความเรียบง่ายโดยใช้เครื่องมือพื้นฐาน เช่น Visual Studio Code และ Microsoft Excel
• การวิเคราะห์ข้อมูล - อธิบายวิธีการนำชุดข้อมูลเข้าสู่ "Notebooks" เพื่อการวิเคราะห์โดยใช้แพ็กเกจ Python (เช่น pandas, numpy และ matplotlib) เพื่อจัดระเบียบและแสดงผลข้อมูล
• การวิเคราะห์ความรู้สึก - อธิบายวิธีการผสานบริการคลาวด์ เช่น Text Analytics โดยใช้เครื่องมือที่ใช้โค้ดน้อย เช่น Power Automate สำหรับกระบวนการจัดการข้อมูลอัตโนมัติ

ด้วยการใช้กระบวนการนี้ เราสามารถสำรวจผลกระทบของฤดูกาลต่อความรู้สึกของบทกวี และช่วยให้เราสร้างมุมมองของเราเองเกี่ยวกับผู้เขียน ลองทำด้วยตัวเอง - แล้วขยาย Notebook เพื่อถามคำถามอื่น ๆ หรือแสดงผลข้อมูลในรูปแบบใหม่!

คุณสามารถใช้เครื่องมือบางอย่างใน ชุดเครื่องมือมนุษยศาสตร์ดิจิทัล เพื่อดำเนินการสอบถามในเส้นทางนี้

วิทยาศาสตร์ข้อมูล + ความยั่งยืน

วิทยาศาสตร์ข้อมูลและความยั่งยืน - Sketchnote โดย @nitya

วาระปี 2030 เพื่อการพัฒนาที่ยั่งยืน - ซึ่งได้รับการรับรองจากสมาชิกสหประชาชาติทั้งหมดในปี 2015 - ระบุเป้าหมาย 17 ข้อ รวมถึงเป้าหมายที่มุ่งเน้นไปที่ การปกป้องโลก จากการเสื่อมโทรมและผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ ความริเริ่ม Microsoft Sustainability สนับสนุนเป้าหมายเหล่านี้โดยสำรวจวิธีที่โซลูชันเทคโนโลยีสามารถสนับสนุนและสร้างอนาคตที่ยั่งยืนมากขึ้น โดยมี เป้าหมาย 4 ข้อ - เป็นคาร์บอนเชิงลบ เป็นบวกด้านน้ำ ไม่มีขยะ และมีความหลากหลายทางชีวภาพภายในปี 2030

การจัดการ โครงการ Planetary Computer กำลังอยู่ในช่วงพรีวิว (ณ เดือนกันยายน 2021) - นี่คือวิธีที่คุณสามารถเริ่มต้นมีส่วนร่วมในการแก้ปัญหาด้านความยั่งยืนด้วยวิทยาศาสตร์ข้อมูล

• ขอสิทธิ์การเข้าถึง เพื่อเริ่มต้นสำรวจและเชื่อมต่อกับเพื่อนร่วมงาน
• สำรวจเอกสาร เพื่อทำความเข้าใจชุดข้อมูลและ API ที่รองรับ
• สำรวจแอปพลิเคชัน เช่น Ecosystem Monitoring เพื่อหาแรงบันดาลใจสำหรับไอเดียแอปพลิเคชัน

ลองคิดดูว่าคุณสามารถใช้การแสดงผลข้อมูลเพื่อเปิดเผยหรือขยายข้อมูลเชิงลึกที่เกี่ยวข้องในด้านต่างๆ เช่น การเปลี่ยนแปลงสภาพภูมิอากาศและการตัดไม้ทำลายป่าได้อย่างไร หรือคิดดูว่าข้อมูลเชิงลึกเหล่านี้สามารถนำไปใช้สร้างประสบการณ์ผู้ใช้ใหม่ๆ ที่กระตุ้นการเปลี่ยนแปลงพฤติกรรมเพื่อการใช้ชีวิตที่ยั่งยืนมากขึ้นได้อย่างไร

วิทยาศาสตร์ข้อมูล + นักศึกษา

เราได้พูดถึงการใช้งานในโลกจริงในอุตสาหกรรมและการวิจัย และได้สำรวจตัวอย่างการใช้งานวิทยาศาสตร์ข้อมูลในด้านมนุษยศาสตร์ดิจิทัลและความยั่งยืน แล้วคุณจะสามารถพัฒนาทักษะและแบ่งปันความเชี่ยวชาญของคุณในฐานะผู้เริ่มต้นด้านวิทยาศาสตร์ข้อมูลได้อย่างไร?

นี่คือตัวอย่างโครงการวิทยาศาสตร์ข้อมูลสำหรับนักศึกษาเพื่อสร้างแรงบันดาลใจให้คุณ

• MSR Data Science Summer School พร้อม GitHub projects ที่สำรวจหัวข้อต่างๆ เช่น:
  • อคติทางเชื้อชาติในการใช้กำลังของตำรวจ | Github
  • ความน่าเชื่อถือของระบบรถไฟใต้ดินในนิวยอร์ก | Github
• การแปลงวัฒนธรรมวัสดุเป็นดิจิทัล: การสำรวจการกระจายทางเศรษฐกิจและสังคมใน Sirkap - จาก Ornella Altunyan และทีมงานที่ Claremont โดยใช้ ArcGIS StoryMaps

🚀 ความท้าทาย

ค้นหาบทความที่แนะนำโครงการวิทยาศาสตร์ข้อมูลที่เหมาะสำหรับผู้เริ่มต้น เช่น 50 หัวข้อ หรือ 21 ไอเดียโครงการ หรือ 16 โครงการพร้อมโค้ดต้นฉบับ ที่คุณสามารถแยกส่วนและปรับแต่งได้ และอย่าลืมเขียนบล็อกเกี่ยวกับการเรียนรู้ของคุณและแบ่งปันข้อมูลเชิงลึกกับพวกเราทุกคน

แบบทดสอบหลังการบรรยาย

แบบทดสอบหลังการบรรยาย

ทบทวนและศึกษาด้วยตนเอง

ต้องการสำรวจกรณีการใช้งานเพิ่มเติมหรือไม่? นี่คือตัวอย่างบทความที่เกี่ยวข้อง:

• 17 การใช้งานและตัวอย่างวิทยาศาสตร์ข้อมูล - กรกฎาคม 2021
• 11 การใช้งานวิทยาศาสตร์ข้อมูลที่น่าทึ่งในโลกจริง - พฤษภาคม 2021
• วิทยาศาสตร์ข้อมูลในโลกจริง - คอลเลกชันบทความ
• วิทยาศาสตร์ข้อมูลใน: การศึกษา, การเกษตร, การเงิน, ภาพยนตร์ และอื่นๆ

งานที่ได้รับมอบหมาย

สำรวจชุดข้อมูล Planetary Computer

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้