Wird mit allen Funktionen (Audio, mehr erstellen, Lehrkraft fragen) in deine Bibliothek kopiert, ohne die KI erneut für Karteikarten/Tests zu nutzen. „Ganzen Block hinzufügen“ holt auch die übrigen Themen dieser Kategorie.
Datenwissenschaft und Künstliche Intelligenz
Universität
Einführung in die Datenwissenschaft. Quelle: Wikipedia (CC BY-SA 4.0).
Registriere dich, um beizutreten: «Datenwissenschaft und Künstliche Intelligenz»
Den Stoffplan und seine Blöcke anzusehen ist frei. Das ganze Thema zu öffnen — Zusammenfassung, Test, Karteikarten und Audio — ist kostenlos, erfordert aber ein Konto, damit dein Fortschritt gespeichert wird und das Ganze für alle tragbar bleibt.
Was du wissen musst
Die ganze Theorie lesen →Definition, Natur und Profil des Data Scientists
- Datenwissenschaft: ein interdisziplinäres Feld, das Mathematik, Statistik, Informatik und Ingenieurmethoden nutzt
- Ziel: Erhebung, Aufbereitung, Analyse und Präsentation von verrauschten, strukturierten und unstrukturierten Daten
- Natur: kann Wissenschaft, Paradigma, Methode, Disziplin, Workflow oder Beruf sein
- Schlüsselkomponente: Integration von Domänenwissen mit Informatik- und Mathematiktechniken
- Viertes Paradigma: Datenwissenschaft als datenbasiertes Paradigma (neben dem empirischen, theoretischen und computergestützten)
- Aufgaben des Data Scientists: Erhebung, Bereinigung, Exploration, Modellierung, Visualisierung und Implementierung von Machine Learning
- Werkzeuge des Data Scientists: Programmiercode und statistisches Wissen
- Hintergrund des Fachmanns: Mathematiker, Ingenieure, Wirtschaftswissenschaftler, Aktuare, Physiker, Chemiker und Mediziner
Historische Entwicklung und Definitionen der Datenwissenschaft
- 1962: John W. Tukey definiert Datenanalyse als Verfahren zur Analyse, Interpretation und Planung.
- 1977: Tukey schlägt die Nutzung von Daten vor, um Hypothesen in statistischen Modellen zu suggerieren.
- 1960er Jahre: Peter Naur verwendet 'Data Science' als Ersatz für die Informatik.
- 1977: Die IASC strebt eine Verknüpfung von statistischer Methodik, Computertechnologie und Expertenwissen an.
- 1996: Formelle Verwendung des Begriffs auf einer IFCS-Konferenz in Kobe, Japan.
- 1997: C.F. Jeff Wu definiert Statistik als eine Trilogie: Datenerhebung, Analyse/Modellierung und Entscheidungsfindung.
- 2001: William S. Cleveland legt 6 technische Bereiche fest: multidisziplinäre Forschung, Modelle/Methoden, Informatik, Pädagogik, Werkzeugbewertung und Theorie.
- 2002: CODATA beginnt mit der Veröffentlichung des Data Science Journal.
- 2003: Die Columbia University veröffentlicht The Journal of Data Science.
- 2005: Das National Science Board definiert Data Scientists als Experten für Informatik, Software, Datenbanken und als Experten in ihren jeweiligen Fachdisziplinen.
- 2008: Jeff Hammerbacher und DJ Patil übernehmen den Begriff für ihre Rollen bei Facebook und LinkedIn.
- 2009: Zhu und Xiong definieren Datologie und Data Science als das Studium von Daten im Netzwerk.
- 2013: Gründung der IEEE Task Force on Data Science and Advanced Analytics.
- 2014: Erste internationale IEEE-Konferenz über Data Science und Advanced Analytics.
- 2015: Veröffentlichung des International Journal on Data Science and Analytics durch Springer.
Anwendungen von Data Science im Marketing, in der Governance und das Profil eines Data Scientists
- Marketing: Nutzung von Datenbanken zur Vorhersage von Käufen und Personalisierung von Botschaften.
- Spotify: Analysiert Daten von 170 Millionen Nutzern für personalisierte Empfehlungen.
- Netflix: Analysiert Gewohnheiten, Verbindungszeiten und Wiedergabeordnungen für 120 Millionen Nutzer.
- Governance: Die IDB fördert Data Science für öffentliche Richtlinien in Argentinien und Brasilien.
- Governance-Ziele: Mobilität, Smart Cities, Sicherheit, Datenschutz und Rechenschaftspflicht.
- Big Data: Massendaten, die die Verarbeitungskapazität herkömmlicher Anwendungen übersteigen.
- Data Science: Analyse ungeordneter Daten zur Entscheidungsfindung.
- Data Scientist: Hybridprofil aus Statistiker, Informatiker, Mathematiker und Kreativen.
- Aufgaben des Data Scientists: Wertextraktion, Kommunikation von Ergebnissen und Optimierung von Kosten/Nutzen.
Profil, Fähigkeiten und Herausforderungen von Data Science
- Datenverarbeitung: umfasst statistische Inferenz, Regression und Hypothesentests
- Profil Nathan Yau: erfordert Statistik, APIs, Datenbanken und Extraktion
- Fry-Prozess: besteht aus 7 Phasen (erwerben, analysieren, filtern, extrahieren, darstellen, verfeinern und interagieren)
- Spezialisierungsrisiko: Die Fragmentierung von Ansätzen kann zu Informationsverlusten bei Übergängen führen
- Davenport-Profil: Hybrid aus Hacker, Analyst, Kommunikator und Berater
- Schlüsselanforderung: Freiheit zum Experimentieren und Erkunden
- McKinsey-Bedarf (2011): Prognose von 440.000 bis 490.000 Stellen für 2018
- Volumenherausforderung: Erfordert neue Methoden zur Speicherung und Integration
- Interoperabilitätsherausforderung: Notwendigkeit von Schichten zur Verbindung unterschiedlicher Systeme
- KI-Herausforderung: Schwierigkeit bei der Interpretierbarkeit von Modellen
- Bereinigungsherausforderung: Werkzeuge zur Trennung von Rauschen und wertvollen Daten
Vorschau der Karteikarten (6 von 20)
- 01
Data Science ist ein [____] Wissensfeld
interdisziplinär
- 02
Laut Jim Gray ist Data Science das [____] Paradigma der Wissenschaft.
vierte
- 03
Welches andere Wissen muss Data Science neben Statistik und Informatik integrieren, um reale Phänomene zu analysieren?
Fachwissen der Anwendung
- 04
Welche Arten von Daten (je nach Struktur) verarbeitet Data Science?
verrauscht, strukturiert und unstrukturiert
- 05
Welcher Beruf nutzt Programmiercode und Statistik für die Erhebung, Bereinigung und Modellierung von Daten?
Data Scientist
- 06
Wer ging 1962 dem Begriff „Data Science“ in seinem Artikel „The Future of Data Analysis“ voraus?
John W. Tukey
+ 14 weitere Karteikarten, 12 Testfragen und Audio, wenn du dich registrierst (kostenlos).