WEBVTT

00:00:00.260 --> 00:00:03.735
>> La vida de la ciencia de datos
ciclo tenía mucho sentido.

00:00:03.735 --> 00:00:05.400
Ahora sé que quiero definir

00:00:05.400 --> 00:00:08.235
mi problema antes de hacer cualquier otra cosa.

00:00:08.235 --> 00:00:11.310
Así que mi aplicación es una aplicación basada en servicios.

00:00:11.310 --> 00:00:14.205
Esto significa que depende
no sólo en los datos de uso,

00:00:14.205 --> 00:00:17.670
pero también factores externos
como el clima y la fecha.

00:00:17.670 --> 00:00:20.640
Por ejemplo, cómo las personas
alquilar bicicletas podría

00:00:20.640 --> 00:00:24.150
se ven muy diferentes en un
vacaciones en comparación con un día de trabajo.

00:00:24.150 --> 00:00:25.740
Sé que quiero usar

00:00:25.740 --> 00:00:27.945
los datos anónimos que
Recogí mi aplicación,

00:00:27.945 --> 00:00:31.800
así como los factores externos
como la fecha y el clima para hacer

00:00:31.800 --> 00:00:34.020
decisiones mejor informadas sobre cómo

00:00:34.020 --> 00:00:37.065
y donde pongo mi
bicicletas alrededor de la ciudad.

00:00:37.065 --> 00:00:39.480
Sé que esto
análisis inicial que

00:00:39.480 --> 00:00:41.895
lo que hacemos hoy es sólo el primer paso.

00:00:41.895 --> 00:00:43.940
Voy a tomar
lo que aprendo y estoy

00:00:43.940 --> 00:00:46.100
va a mejorar qué datos me

00:00:46.100 --> 00:00:48.290
recoger y qué preguntas me

00:00:48.290 --> 00:00:51.920
pedir para que pueda ser más
éxito en mi aplicación.

00:00:51.920 --> 00:00:54.455
Entonces, ¿cómo se ve el éxito para mí?

00:00:54.455 --> 00:00:58.105
Bueno, para mí significa más
personas que alquilan bicicletas.

00:00:58.105 --> 00:01:00.560
Ahora podría gastar mucho más dinero en

00:01:00.560 --> 00:01:02.180
marketing, pero otra forma de hacer

00:01:02.180 --> 00:01:04.115
es decir, para asegurarse de que
que mi inventario,

00:01:04.115 --> 00:01:07.525
mis bicicletas, están en la derecha
lugar en el momento adecuado.

00:01:07.525 --> 00:01:09.800
Esa es una matriz bastante compleja,

00:01:09.800 --> 00:01:13.340
así que vamos a marcar hacia abajo un
poco más y centrarse en

00:01:13.340 --> 00:01:18.020
cuántas bicicletas podría necesitar en un
cierta área en la próxima hora,

00:01:18.020 --> 00:01:21.160
o un día, o unos minutos incluso.

00:01:21.160 --> 00:01:23.565
Así que esa va a ser mi pregunta.

00:01:23.565 --> 00:01:25.760
Quiero predecir cómo
muchas bicicletas serán

00:01:25.760 --> 00:01:28.595
alquilado en la próxima hora
en un lugar determinado,

00:01:28.595 --> 00:01:30.710
entonces tal vez pueda mover mi inventario a

00:01:30.710 --> 00:01:33.760
esa área y más
se alquilarán bicicletas.

00:01:33.760 --> 00:01:35.970
Así que parece que tengo

00:01:35.970 --> 00:01:39.015
una muy buena comprensión de mi
comprensión empresarial.

00:01:39.015 --> 00:01:41.600
Realmente no quiero meterme en líos
con mis datos todavía.

00:01:41.600 --> 00:01:43.610
Quiero obtener un análisis inicial

00:01:43.610 --> 00:01:45.830
y la comprensión de
lo que está pasando primero.

00:01:45.830 --> 00:01:48.340
Así que el siguiente paso es
va a ser el modelaje.

00:01:48.340 --> 00:01:50.360
Entonces quiero tratar de desplegar

00:01:50.360 --> 00:01:52.280
esto como un servicio web
porque quiero probarlo

00:01:52.280 --> 00:01:54.260
en la naturaleza y ver si puedo hacer

00:01:54.260 --> 00:01:57.260
predicciones y
mejorar esta prórroga.

00:01:57.260 --> 00:01:59.120
Así que vamos a volver a registrar con

00:01:59.120 --> 00:02:01.010
Francesca para que podamos
aprender un poco más

00:02:01.010 --> 00:02:03.230
sobre el aprendizaje automático
modelos y tal vez encontrar

00:02:03.230 --> 00:02:06.570
a cabo cuál debemos
uso para nuestro problema.