Veri Bilimi (Data Science)

By , in Veri Bilimi on . Tagged width: , ,
Paylaşmak ister misiniz?

Veri Bilimi, ham verilerden gizli kalıpları keşfetme amacı ile çeşitli araçların, algoritmaların ve makine öğrenimi ilkelerinin bir karışımıdır.

Peki bu, istatistikçilerin yıllardır yaptıklarından nasıl farklı?

Cevap, açıklama ve tahmin etme arasındaki farkta yatmaktadır.

Veri Analisti / Veri Bilimi - Edureka

Yukarıdaki görüntüden de görebileceğiniz gibi, bir Veri Analisti genellikle verilerin geçmişini işleyerek neler olup bittiğini açıklar.

Öte yandan, Data Scientist, keşif analizini yalnızca içgörüleri keşfetmek için yapmakla kalmaz, aynı zamanda gelecekte belirli bir olayın meydana gelmesini belirlemek için çeşitli gelişmiş makine öğrenme algoritmalarını kullanır.

Bir Veri Bilimcisi, verilere birçok açıdan, bazen daha önce bilinmeyen açılardan bakacaktır.

Bu nedenle, Veri Bilimi esas olarak tahmine dayalı nedensel analitiği, kuralcı analitiği (öngörücü artı karar bilimi) ve makine öğrenimini kullanarak kararlar ve tahminler yapmak için kullanılır.

  • Tahmine dayalı nedensel analitik – Gelecekteki belirli bir olayın olasılıklarını tahmin edebilen bir model istiyorsanız, tahmine dayalı nedensel analitik uygulamanız gerekir. Diyelim ki, krediyle para sağlıyorsanız, müşterilerin gelecekte kredi ödemelerini zamanında yapma olasılığı sizin için bir endişe konusudur. Burada, gelecekteki ödemelerin zamanında olup olmayacağını tahmin etmek için müşterinin ödeme geçmişinde tahmine dayalı analitik gerçekleştirebilen bir model oluşturabilirsiniz.
  • Normatif analitik: Kendi kararlarını alma zekasına ve onu dinamik parametrelerle değiştirme yeteneğine sahip bir model istiyorsanız, kesinlikle bunun için kuralcı analitiğe ihtiyacınız vardır. Bu nispeten yeni alan tamamen tavsiye vermekle ilgilidir. Diğer bir deyişle, yalnızca öngörmekle kalmaz, aynı zamanda bir dizi öngörülen eylemi ve ilişkili sonuçları önerir.
    Bunun en iyi örneği, daha önce de bahsettiğim Google’ın sürücüsüz arabası. Araçlar tarafından toplanan veriler, sürücüsüz arabaları eğitmek için kullanılabilir. Zeka getirmek için bu veriler üzerinde algoritmalar çalıştırabilirsiniz. Bu, arabanızın ne zaman döneceği, hangi yoldan gideceği , ne zaman yavaşlayacağı veya hızlanacağı gibi kararlar almasını sağlayacaktır .
  • Tahmin yapmak için makine öğrenimi – Bir finans şirketinin işlem verilerine sahipseniz ve gelecekteki eğilimi belirlemek için bir model oluşturmanız gerekiyorsa, makine öğrenimi algoritmaları en iyi seçenektir. Bu, denetimli öğrenme paradigmasının kapsamına girer. Denetimli olarak adlandırılır çünkü makinelerinizi eğitebileceğiniz verilere zaten sahipsiniz. Örneğin, bir dolandırıcılık tespit modeli, dolandırıcılık amaçlı satın alımların geçmiş kayıtları kullanılarak eğitilebilir.
  • Kalıp keşfi için makine öğrenimi – Tahminler yapabileceğiniz parametrelere sahip değilseniz, anlamlı tahminler yapabilmek için veri kümesindeki gizli kalıpları bulmanız gerekir. Gruplama için önceden tanımlanmış herhangi bir etiketiniz olmadığından, bu denetimsiz modelden başka bir şey değildir. Model keşfi için kullanılan en yaygın algoritma Kümelemedir.
    Diyelim ki bir telefon firmasında çalışıyorsunuz ve bir bölgeye kuleler koyarak bir şebeke kurmanız gerekiyor. Ardından, tüm kullanıcıların optimum sinyal gücünü almasını sağlayacak olan bu kule konumlarını bulmak için kümeleme tekniğini kullanabilirsiniz.

Veri bilimi alanında diğer yazılarımızı okumak için tıklayınız.

Kaynak

Google Arama

veri bilimi
veri bilimi nedir
veri bilimi yüksek lisans
veri bilimi okulu
python ile veri bilimi
mucit ve bilim insanlarının ortak özelliklerine örnek veriniz
veri bilimi iş ilanları
veri bilimi staj
veri bilimi eğitimi
veri bilimi kitap