Please enable JavaScript.
Coggle requires JavaScript to display documents.
データサイエンスについて, プログラミングについて, 課題設定の仕方 - Coggle Diagram
データサイエンスについて
機械の得意な計算、不得意な計算の弁別
スポーツなどだと、いいときに記録した数値を覚えておく
XGブーストをやるところが次のステップ
トップダウンの勉強
両方大事
こっちの方が早いっちゃ早い
データの解釈
データの収集
試行錯誤
繰り返していく
本来的には、ツールやサービスで拾いきれない
ニッチな分野のDSをやるべき
技術を使って現実にインパクトを与える
技術を、技術を持たない人たちに還元したい
どうしてもデータサイエンスは格差つくりがち？でも健全な成長は期待できるかも
データサイエンスは、データから次のアクションを見つけ、新たな価値を生み出すこととした方がいい？
これから 2023/4/3
機械学習をバリバリやる
直線的ではなく
リソースフルに
ITで
やれることはなんでもやる
だけではなく
ボトムアップの勉強
可視化しないとせっかくのデータの良ささえわからないかもしれない
探索的データ解析 記述統計やデータ可視化によりデータセットの特徴や傾向などを理解するためのプロセス
工芸品を作るときのように作るのであればやりたい 心身の一致したデータサイエンスならやりたい
プログラミングについて
分析そのものは、ツールで全部できてしまう。
何を分析するのか、分析結果を何に生かすのか これは機械にはできないこと。分析フローの前と後。
試行錯誤
厭わない
大事
あんまりいいデータハンドリングのアルゴリズムではないかも、データから何が読み取れるか考えて、あれしようこれしようと実行していくのがいいのかも
とりあえず読めるように書けるようになるために、Ankiに関数とか全部入れてやっていきたい
課題設定の仕方
pythonは計算機だとして、何を計算するのかが大事
個人的利用から、社会を動かすようになるまで、長い長い道のりかもしれない。
何を分析するべきか？ 目指すゴールを達成したものと、そうでないもの。 健康な県の食生活と不健康な県の食生活を比べたり。
アウトカム変数、目的変数を決める
１．どうなりたいのかを言語化する
２．何を調査したらヒントが得られそうか
３．どの数値を目標にするか
まずはデータを可視化して眺めてみる、山や谷、繰り返しなどを見つける