WEBVTT

00:00:00.260 --> 00:00:03.735
>> A vida ciência de dados
ciclo fez muito sentido.

00:00:03.735 --> 00:00:05.400
Agora eu sei que eu quero definir

00:00:05.400 --> 00:00:08.235
meu problema antes de fazer qualquer outra coisa.

00:00:08.235 --> 00:00:11.310
Então meu aplicativo é um aplicativo baseado em serviços.

00:00:11.310 --> 00:00:14.205
Isso significa que depende
não apenas dados de uso,

00:00:14.205 --> 00:00:17.670
mas também fatores externos
Como tempo e data.

00:00:17.670 --> 00:00:20.640
Por exemplo, como as pessoas
alugar bicicletas pode

00:00:20.640 --> 00:00:24.150
olhar muito diferente em um
feriado em comparação com um dia de trabalho.

00:00:24.150 --> 00:00:25.740
Eu sei que eu quero usar

00:00:25.740 --> 00:00:27.945
os dados anonimizados que
Eu coletei meu aplicativo,

00:00:27.945 --> 00:00:31.800
bem como os fatores externos
como data e tempo para fazer

00:00:31.800 --> 00:00:34.020
decisões mais bem informadas sobre como

00:00:34.020 --> 00:00:37.065
e onde eu colocar o meu
bicicletas ao redor da cidade.

00:00:37.065 --> 00:00:39.480
Eu sei que isso
análise inicial que

00:00:39.480 --> 00:00:41.895
nós fazemos hoje é apenas o primeiro passo.

00:00:41.895 --> 00:00:43.940
Eu vou levar
o que eu aprendo e eu sou

00:00:43.940 --> 00:00:46.100
vai melhorar quais dados eu

00:00:46.100 --> 00:00:48.290
coletar e que perguntas eu

00:00:48.290 --> 00:00:51.920
perguntar para que eu possa ser mais
bem sucedido no meu aplicativo.

00:00:51.920 --> 00:00:54.455
Então, como é o sucesso para mim?

00:00:54.455 --> 00:00:58.105
Bem, para mim significa mais
pessoas alugando bicicletas.

00:00:58.105 --> 00:01:00.560
Agora eu poderia gastar muito mais dinheiro em

00:01:00.560 --> 00:01:02.180
marketing, mas outra maneira de fazer

00:01:02.180 --> 00:01:04.115
que é ter certeza
que meu inventário,

00:01:04.115 --> 00:01:07.525
minhas bicicletas, estão no direito
lugar na hora certa.

00:01:07.525 --> 00:01:09.800
Essa é uma matriz muito complexa,

00:01:09.800 --> 00:01:13.340
então vamos discar para baixo um
um pouco mais e se concentrar em

00:01:13.340 --> 00:01:18.020
quantas bicicletas eu poderia precisar em um
certas áreas na próxima hora,

00:01:18.020 --> 00:01:21.160
ou um dia, ou alguns minutos mesmo.

00:01:21.160 --> 00:01:23.565
Então essa vai ser a minha pergunta.

00:01:23.565 --> 00:01:25.760
Eu quero prever como
muitas bicicletas serão

00:01:25.760 --> 00:01:28.595
alugado na próxima hora
em um determinado lugar,

00:01:28.595 --> 00:01:30.710
então talvez eu possa mover meu inventário para

00:01:30.710 --> 00:01:33.760
essa área e mais
bicicletas serão alugadas.

00:01:33.760 --> 00:01:35.970
Então parece que eu tenho

00:01:35.970 --> 00:01:39.015
uma compreensão muito boa do meu
compreensão empresarial.

00:01:39.015 --> 00:01:41.600
Eu realmente não quero bagunçar
com meus dados ainda.

00:01:41.600 --> 00:01:43.610
Quero uma análise inicial.

00:01:43.610 --> 00:01:45.830
e compreensão de
o que está acontecendo primeiro.

00:01:45.830 --> 00:01:48.340
Então o próximo passo é
Vai ser modelo.

00:01:48.340 --> 00:01:50.360
Então eu quero tentar implantar

00:01:50.360 --> 00:01:52.280
isso como um serviço web
porque eu quero experimentá-lo

00:01:52.280 --> 00:01:54.260
na natureza e ver se eu posso fazer

00:01:54.260 --> 00:01:57.260
quaisquer previsões e
melhorar esta hora extra.

00:01:57.260 --> 00:01:59.120
Então vamos verificar de volta com

00:01:59.120 --> 00:02:01.010
Francesca para que possamos
aprender um pouco mais

00:02:01.010 --> 00:02:03.230
sobre aprendizado de máquina
modelos e talvez encontrar

00:02:03.230 --> 00:02:06.570
qual um que devemos
usar para o nosso problema.