Problemen uit de echte wereld en hoe gegevens ons helpen deze op te lossen

Met het constante geroezemoes rond nieuwe tools en geavanceerde modellen, is het gemakkelijk om een basiswaarheid uit het oog te verliezen: de echte waarde van het benutten van data ligt in het vermogen om tastbare positieve verandering teweeg te brengen. Of het nu gaat om complexe zakelijke beslissingen of onze dagelijkse routines, op gegevens gebaseerde oplossingen zijn slechts zo goed als de impact die ze in de echte wereld hebben.

Om u te helpen leren hoe u de punten effectiever met elkaar kunt verbinden en om u te inspireren om nieuwe benaderingen uit te proberen, hebben we enkele van onze recente favoriete artikelen verzameld met een sterke probleemoplossende invalshoek. Ze bestrijken een breed scala aan gebruiksscenario's, van strategisch tot uiterst persoonlijk, maar delen een pragmatische en detailgerichte kijk op de rol van data in ons leven. Genieten!

• Onderzoek naar time-to-event met overlevingsanalyse. In een toegankelijke inleiding tot overlevingsanalyse behandelt Olivia Tanuwidjaja enkele van de essentiële concepten en technieken waarop het vertrouwt, en laat ze zien hoe deze aanpak kan worden toegepast op een breed spectrum van problemen - van de medische sector tot onderhoudsvoorspelling en klantanalyse.
• Hoe weet een beslissingsboom wat de beste vraag is om uit de gegevens te halen? Sommige beoefenaars van machine learning beschouwen binaire classificatietaken misschien als eenvoudig, maar hun nut is constant gebleven, zelfs nu er de afgelopen jaren complexere technieken zijn ontstaan. Om je op weg te helpen, deelde Gurjinder Kaur onlangs een beginnersvriendelijke inleiding over beslissingsbomen; Het legt in detail uit hoe ze werken in de context van een model dat is getraind om te voorspellen of een bepaalde vis waarschijnlijker tonijn of zalm is.

• Mijn levensstatistieken: Ik heb mijn gewoonten een jaar lang bijgehouden, en dit is wat ik heb geleerd. Voor zijn TDS-debuut presenteert Pau Blasco Roca een project van een jaar dat zich op het snijvlak van data-analyse en het zogenaamde gekwantificeerde zelf bevindt. Pau volgt al 332 dagen zijn dagelijkse activiteiten en laat zien hoe je zinvolle inzichten kunt krijgen, zelfs uit gegevens die op het eerste gezicht triviaal lijken.
• Methoden voor het modelleren van de levenslange waarde van de klant: de goede dingen en de valkuilen. Voor datawetenschappers in de branche is het berekenen van de customer lifetime value een gemeenschappelijk doel - en een doel dat ingewikkelder wordt naarmate je dieper in de activiteiten van een bedrijf graaft. Katherine Munro uitgebreide, praktische gids voor CLV biedt de broodnodige duidelijkheid over dit onderwerp en brengt de verschillende modelleringsopties in kaart die tot uw beschikking staan, inclusief hun respectievelijke sterke punten en beperkingen.
• Verbetering van het Strava trainingslogboek. Als je een marathonloper bent - en zelfs als je dat niet bent - wil je de nieuwste diepe duik van Barry Smyth niet missen, waar hij ons meeneemt door het hele proces van het downloaden, analyseren en visualiseren van zijn Strava-trainingslogboek. Het is bijzonder nuttig om te lezen dankzij de focus op het maken van een succesvolle sprong van "hier zijn veel hardloopgegevens!" naar "hier is hoe je gegevens kunt gebruiken om een betere race te lopen."

Of je nu van plan bent om dit weekend een kalkoen te snijden of niet, we hopen dat je wat vrije tijd vindt om een paar andere fascinerende onderwerpen te verkennen die onze auteurs onlangs hebben behandeld:

• Zouden E-waarden het antwoord kunnen zijn op p-hacking? Hennie de Harder met het uitpakken van het netelige onderwerp datamanipulatie.
• Voor een praktische aanpak om uw zoektocht naar een baan als data-analist te versnellen, neemt u een voorbeeld aan de gedetailleerde roadmap van Natassha Selvaraj .
• Wat is de volgende stap na het genereren van retrieval-augmented Gadi Singer heeft een Uitgebreid overzicht van interpretatieve retrieval-centric generatie (RCG) modellen en hun potentieel om de nadelen van RAG te ondervangen.
• Als uw team overweegt over te stappen op serverloze technologie, is Sheen Brisals ' grondige uitsplitsing van de belangrijkste concepten en overwegingen om in gedachten te houden een absolute must-read.
• Leer hoe u causale effecten kunt inschatten wanneer u de behandeling niet kunt randomiseren: De nieuwste uitleg van Matteo Courthoud doet geweldig werk door de theoretische en praktische elementen die een rol spelen samen te brengen.

Bedankt voor het steunen van het werk van onze auteurs! Als je geniet van de artikelen die je op TDS leest, overweeg dan om lid te worden van Medium - het ontgrendelt ons hele archief (en ook elk ander bericht op Medium).

Tot de volgende variabele,

TDS-redacteuren