大数据最喜欢的信息图精选的院长
使用混淆矩阵来量化错误的代价
并非所有建模误差都具有同等价值。 人们需要花费时间来了解与用例有关的I型和II型错误的成本。 面临的挑战是确定分析模型对性能的改进是否“足够好”。 混淆矩阵可以帮助我们做出确定。
＃10-Tied） 批判性思维并成为“数据科学专业的学生”
社交媒体和互联网搜索使我感到恐惧，因为在不获取相关知识的情况下获取信息是如此容易。几乎可以找到几乎所有信息，但是有效的“数据科学家学生”必须学会以怀疑的态度分辨容易获得的信息。
＃9） 将数据科学之蛇带出爱尔兰
我在爱尔兰Analytics（分析）研究所的活动中演讲，不禁想到圣帕特里克将蛇赶出爱尔兰。因此，这就是我将数据科学之蛇驱逐出爱尔兰的方法。
＃8） 重组的力量和投手的经济学
经济学是与财富或价值的生产，消费和转移有关的知识分支。 有时，人们需要重新组织对话，以发现新的财富和价值创造来源。起始投手vs替补投手的经济效益以及表现数字相结合，表明这可能是在美国职棒大联盟以剑术为主导的世界中的下一个关键转变。
＃7） 使用设计来推动业务成果
将组织从试探法转变为算法的秘诀在于设计能力，以发现和整理组织主题专家的深入知识和见解。 因此，组织如何帮助主题专家发现他们不知道的知识；除了发现那些深深的业务和运营洞察力，这些洞察力还被启发式方法和经验法则所掩盖？
＃6） 将您的文化转变为设计文化
除了产品设计之外，我对设计思维还有更大的想法。不仅仅是使用设计来构建以客户为中心的产品和服务，而是如何使用设计来创建以客户为中心的思维方式来实现组织的数字化转型？
＃5） 千禧一代应如何看待数据科学世界
我的许多MBA学生对他们需要雇用多少数据科学能力和技能感到困惑。 看来，在许多工作面试中，雇主都在寻找既具有主题又具有数据科学专业知识的学生。这就是我们在教导我的MBA学生为数据科学世界做准备。
＃4） 设计思维：通过AI面向未来
设计思维被定义为以人为本的设计，它以对用户的深刻理解为基础，以产生想法，构建原型，分享您的所作所为，拥抱失败的艺术，并最终将您的创新解决方案推向世界。对于我们人类来说，幸运的是，设计思维与机器学习之间有着紧密的联系。
＃3） 数据科学的“数字绘画”
设计界正在使用设计画布来应用“数字绘画”概念。 设计画布概述了给定主题区域的重要内容，然后允许“画家”在正确的信息中“着色”。 这是一个应用于数据科学领域的示例。
＃2） 数据科学为什么不同于软件开发
数据科学开发与软件开发不同，将两者结合起来就像是将Tinker Toys与Lincoln Logs拼凑在一起。 根据以下简单观察，支持成功软件开发的方法和流程不适用于数据科学项目：
软件开发定义了成功的要求；数据科学在数据中发现它们。
＃1） 大数据游戏板?
移开“垄断”，“风险”和“蜗牛赛跑！” 是时候教给世界各地的年轻人一个重要的职业发展游戏：如何利用数据和分析来改变您的生活！
推出“大数据游戏板?”！
这是我最喜欢的信息图。 在这个假期里，让家人在一起，努力成为大数据专家！
1