WEBVTT 00:00:00.260 --> 00:00:03.735 >> La vie de science des données cycle fait beaucoup de sens. 00:00:03.735 --> 00:00:05.400 Maintenant, je sais que je veux définir 00:00:05.400 --> 00:00:08.235 mon problème avant que je ne fasse autre chose. 00:00:08.235 --> 00:00:11.310 Mon application est donc une application basée sur le service. 00:00:11.310 --> 00:00:14.205 Cela signifie que cela dépend sur les données d’utilisation non seulement, 00:00:14.205 --> 00:00:17.670 mais aussi des facteurs externes comme la météo et la date. 00:00:17.670 --> 00:00:20.640 Par exemple, comment les gens louer des vélos pourrait 00:00:20.640 --> 00:00:24.150 regarder très différent sur un vacances par rapport à une journée de travail. 00:00:24.150 --> 00:00:25.740 Je sais que je veux utiliser 00:00:25.740 --> 00:00:27.945 les données anonymisées qui J’ai collectionné mon application, 00:00:27.945 --> 00:00:31.800 ainsi que les facteurs externes comme la date et la météo pour faire 00:00:31.800 --> 00:00:34.020 des décisions mieux informées sur la façon dont 00:00:34.020 --> 00:00:37.065 et où je place mon vélos autour de la ville. 00:00:37.065 --> 00:00:39.480 Je sais que cette analyse initiale qui 00:00:39.480 --> 00:00:41.895 nous faisons aujourd’hui n’est que la première étape. 00:00:41.895 --> 00:00:43.940 Je vais prendre ce que j’apprends et je suis 00:00:43.940 --> 00:00:46.100 va améliorer quelles données je 00:00:46.100 --> 00:00:48.290 recueillir et quelles questions je 00:00:48.290 --> 00:00:51.920 demander pour que je puisse être plus succès dans mon application. 00:00:51.920 --> 00:00:54.455 Alors, à quoi ressemble le succès pour moi ? 00:00:54.455 --> 00:00:58.105 Eh bien, pour moi, cela signifie plus les gens qui louent des vélos. 00:00:58.105 --> 00:01:00.560 Maintenant, je pourrais dépenser beaucoup plus d’argent sur 00:01:00.560 --> 00:01:02.180 marketing, mais une autre façon de faire 00:01:02.180 --> 00:01:04.115 c’est-à-dire pour s’assurer que mon inventaire, 00:01:04.115 --> 00:01:07.525 mes vélos, sont dans la droite place au bon moment. 00:01:07.525 --> 00:01:09.800 C’est une matrice assez complexe, 00:01:09.800 --> 00:01:13.340 alors nous allons composer vers le bas un un peu plus et se concentrer sur 00:01:13.340 --> 00:01:18.020 combien de vélos j’aurais besoin dans un certaines zones dans l’heure suivante, 00:01:18.020 --> 00:01:21.160 ou un jour, ou quelques minutes même. 00:01:21.160 --> 00:01:23.565 Donc ça va être ma question. 00:01:23.565 --> 00:01:25.760 Je veux prédire comment de nombreux vélos seront 00:01:25.760 --> 00:01:28.595 loué dans l’heure suivante dans un certain endroit, 00:01:28.595 --> 00:01:30.710 alors peut-être que je peux déplacer mon inventaire à 00:01:30.710 --> 00:01:33.760 ce domaine et plus vélos seront loués. 00:01:33.760 --> 00:01:35.970 Donc, il semble que j’ai 00:01:35.970 --> 00:01:39.015 une assez bonne compréhension de mon compréhension des affaires. 00:01:39.015 --> 00:01:41.600 Je ne veux pas vraiment gâcher avec mes données tout à fait encore. 00:01:41.600 --> 00:01:43.610 Je veux obtenir une analyse initiale 00:01:43.610 --> 00:01:45.830 et la compréhension de ce qui se passe en premier. 00:01:45.830 --> 00:01:48.340 Donc, la prochaine étape est Ça va être de la modélisation. 00:01:48.340 --> 00:01:50.360 Ensuite, je veux essayer de déployer 00:01:50.360 --> 00:01:52.280 ceci comme un service web parce que je veux l’essayer 00:01:52.280 --> 00:01:54.260 dans la nature et voir si je peux faire 00:01:54.260 --> 00:01:57.260 toutes les prédictions et améliorer ces heures supplémentaires. 00:01:57.260 --> 00:01:59.120 Alors revenons avec 00:01:59.120 --> 00:02:01.010 Francesca afin que nous puissions apprendre un peu plus 00:02:01.010 --> 00:02:03.230 sur l’apprentissage automatique modèles et peut-être trouver 00:02:03.230 --> 00:02:06.570 sur lequel nous devrions utilisation pour notre problème.