WEBVTT

00:00:00.260 --> 00:00:03.735
>> Das Data Science-Leben
Zyklus machte viel Sinn.

00:00:03.735 --> 00:00:05.400
Jetzt weiß ich, dass ich

00:00:05.400 --> 00:00:08.235
mein Problem, bevor ich etwas anderes tue.

00:00:08.235 --> 00:00:11.310
Meine App ist also eine servicebasierte App.

00:00:11.310 --> 00:00:14.205
Dies bedeutet, dass es
nicht nur nutzungsdaten,

00:00:14.205 --> 00:00:17.670
sondern auch externe Faktoren
wie Wetter und Datum.

00:00:17.670 --> 00:00:20.640
Zum Beispiel, wie Menschen
Leihfahrräder könnten

00:00:20.640 --> 00:00:24.150
sehen auf einem
Urlaub im Vergleich zu einem Arbeitstag.

00:00:24.150 --> 00:00:25.740
Ich weiß, dass ich

00:00:25.740 --> 00:00:27.945
anonymisierte Daten, die
Ich habe meine App gesammelt,

00:00:27.945 --> 00:00:31.800
sowie die externen Faktoren
wie Datum und Wetter zu machen

00:00:31.800 --> 00:00:34.020
fundiertere Entscheidungen darüber, wie

00:00:34.020 --> 00:00:37.065
und wo ich meine
Fahrräder rund um die Stadt.

00:00:37.065 --> 00:00:39.480
Ich weiß, dass dies
erste Analyse, die

00:00:39.480 --> 00:00:41.895
das ist nur der erste Schritt.

00:00:41.895 --> 00:00:43.940
ich werde
was ich lerne und ich bin

00:00:43.940 --> 00:00:46.100
werden, um zu verbessern, welche Daten Ich

00:00:46.100 --> 00:00:48.290
sammeln und welche Fragen ich

00:00:48.290 --> 00:00:51.920
fragen, damit ich mehr sein kann
erfolgreich in meiner App.

00:00:51.920 --> 00:00:54.455
Wie sieht Erfolg für mich aus?

00:00:54.455 --> 00:00:58.105
Nun, für mich bedeutet es mehr
Personen, die Fahrräder mieten.

00:00:58.105 --> 00:01:00.560
Jetzt könnte ich viel mehr Geld ausgeben

00:01:00.560 --> 00:01:02.180
Marketing, sondern eine andere Möglichkeit zu tun

00:01:02.180 --> 00:01:04.115
das heißt, um sicherzustellen, dass
dass mein Inventar,

00:01:04.115 --> 00:01:07.525
meine Fahrräder, sind in der richtigen
zur richtigen Zeit.

00:01:07.525 --> 00:01:09.800
Nun, das ist eine ziemlich komplexe Matrix,

00:01:09.800 --> 00:01:13.340
Also wählen wir es nach unten
wenig mehr und konzentrieren Sie sich auf

00:01:13.340 --> 00:01:18.020
wie viele Fahrräder ich in einem
bestimmten Bereich in der nächsten Stunde,

00:01:18.020 --> 00:01:21.160
oder einen Tag oder ein paar Minuten sogar.

00:01:21.160 --> 00:01:23.565
Das wird also meine Frage sein.

00:01:23.565 --> 00:01:25.760
Ich möchte vorhersagen, wie
viele Fahrräder werden

00:01:25.760 --> 00:01:28.595
in der nächsten Stunde vermietet
an einem bestimmten Ort,

00:01:28.595 --> 00:01:30.710
dann kann ich vielleicht mein Inventar nach

00:01:30.710 --> 00:01:33.760
dieses Gebiet und mehr
Fahrräder werden gemietet.

00:01:33.760 --> 00:01:35.970
So sieht es so aus, als ob ich

00:01:35.970 --> 00:01:39.015
ein ziemlich gutes Verständnis meiner
Geschäftsverständnis.

00:01:39.015 --> 00:01:41.600
Ich will nicht wirklich durcheinander
mit meinen Daten noch ganz.

00:01:41.600 --> 00:01:43.610
Ich möchte eine erste Analyse erhalten

00:01:43.610 --> 00:01:45.830
und Verständnis für
was zuerst vor sich geht.

00:01:45.830 --> 00:01:48.340
Der nächste Schritt ist also
modellieren.

00:01:48.340 --> 00:01:50.360
Dann möchte ich versuchen,

00:01:50.360 --> 00:01:52.280
Dies als Webdienst
weil ich es ausprobieren möchte

00:01:52.280 --> 00:01:54.260
in freier Wildbahn und sehen, ob ich

00:01:54.260 --> 00:01:57.260
Vorhersagen und
diese Überstunden zu verbessern.

00:01:57.260 --> 00:01:59.120
Also checken wir wieder mit

00:01:59.120 --> 00:02:01.010
Francesca, damit wir
ein wenig mehr lernen

00:02:01.010 --> 00:02:03.230
über maschinelles Lernen
Modelle und vielleicht finden

00:02:03.230 --> 00:02:06.570
aus, welche wir sollten
für unser Problem verwenden.