Quy trình khoa học dữ liệu

Có nhiều dữ liệu chưa chắc có câu trả lời

Thư viện có bảng mượn sách nhưng muốn biết khung giờ nào cần thêm người trực. Ta cần xác định câu hỏi rồi chọn dữ liệu phù hợp, không vẽ biểu đồ bất kì chỉ vì đã có bảng.

Các bước gắn với mục tiêu

Khoa học dữ liệu kết hợp Tin học, Toán–Thống kê và hiểu biết chuyên ngành để rút thông tin/tri thức phục vụ quyết định. Một mạch làm việc: xác định câu hỏi → thu thập dữ liệu phù hợp → làm sạch/tổ chức → phân tích/trực quan → giải thích, đối chiếu → đưa ra và theo dõi quyết định. Có thể quay lại bước trước khi phát hiện thiếu dữ liệu. Máy tính hỗ trợ lưu trữ, xử lí lượng lớn, tự động hóa và vẽ biểu đồ; thuật toán hiệu quả giúp xử lí khả thi. Tuy nhiên máy mạnh không sửa được câu hỏi sai hoặc dữ liệu thiếu đại diện. Tương quan quan sát được chưa tự chứng minh quan hệ nhân quả.

Nhu cầu trực thư viện

Ta nhóm số lượt mượn theo giờ trong nhiều ngày học bình thường, đồng thời đánh dấu ngày có sự kiện đặc biệt. Nếu chỉ dùng một ngày hội sách rất đông, kết luận cho mọi ngày có thể không phù hợp. Hiểu lịch hoạt động là phần tri thức chuyên ngành cần có.

Thử vận dụng

Trước khi chọn biểu đồ, việc nào cần làm rõ trước hết?

AMàu biểu đồBCâu hỏi cần trả lời và ý nghĩa dữ liệuCMáy có bao nhiêu hình nềnDĐặt tất cả ô thành chữ đậm

Không kết luận nguyên nhân quá nhanh

Bảng cho thấy số lượt mượn tăng trong tuần có hoạt động đọc sách. Có thể có liên hệ, nhưng còn cần xét lịch học, số ngày mở cửa và các thay đổi khác trước khi nói riêng hoạt động ấy gây ra toàn bộ mức tăng.

Ví dụ xem cách làm

Dữ liệu số lượt theo giờ có cả ô trống và ô 0. Vì sao không nên thay mọi ô trống bằng 0 ngay?

Ví dụ xem cách làm

Nêu hai lợi ích của máy tính trong phân tích nhiều bản ghi thư viện.

Những điều cần nhớ

Bắt đầu từ câu hỏi, giữ ý nghĩa dữ liệu xuyên suốt các bước. Kết luận cần phản ánh phạm vi và giới hạn của dữ liệu đã dùng.