Relatore | Trascrizione |
| Quindi benvenuti a tutti. Il mio nome è |
| 00 | 07.933 |
| 3 |
| Ambasciatore con JMP. ora sono un |
| professore in pensione di economia |
| 00 | 30.566 |
| 7 |
| tra uno studente e un |
| professore che lavora a un progetto. |
| 00 | 49.700 |
| 11 |
| 12 |
| coinvolgere gli studenti in statistica |
| ragionamento, insegnalo |
| 00 | 12.433 |
| 16 |
| a questo, il pensiero attuale è |
| che gli studenti dovrebbero imparare |
| su flussi di lavoro riproducibili, |
| 00 | 36.266 |
| 21 |
| gestione dei dati elementari. E, |
| di nuovo, visualizzando le statistiche come |
| 00 | 58.800 |
| 25 |
| 26 |
| volevo unirmi a te oggi su questo |
| chiamata virtuale. Grazie per averlo |
| 00 | 20.600 |
| 30 |
| e precisamente a Manhattan, |
| e ci avevi chiesto così così tu |
| 00 | 36.433 |
| 34 |
| E abbiamo scelto di fare Airbnb |
| prospettiva dell'affittuario. Così erano |
| 00 | 51.733 |
| 38 |
| caro. |
| Quindi noi |
| iniziato a compilare... ci hai dato |
| 00 | 09.166 |
| 43 |
| 44 |
| problema separato, dal tuo principale |
| l'obiettivo di trovare un posto in |
| 00 | 36.066 |
| 49 |
| ottieni... se superi il |
| prime tre domande, hai |
| 00 | 54.100 |
| 53 |
| sa, c'è una parte di |
| Manhattan, ti interessa? |
| 00 | 11.133 |
| 58 |
| repository a cui ci hai inviato. |
| E abbiamo scaricato davvero |
| 00 | 26.433 |
| 32.866 |
| 63 |
| cosa che abbiamo trovato, c'erano come |
| quattro colonne in questo set di dati |
| 00 | 46.766 |
| 67 |
| capito che era questo |
| uno, il quartiere ospitante. Così |
| 00 | 58.100 |
| 71 |
| 72 |
| capito che i primi due |
| basta avere tonnellate di piccoli minuscoli |
| 00 | 13.300 |
| 76 |
| Manhattan. Quindi abbiamo selezionato |
| Manhattan. E poi quando abbiamo avuto |
| 00 | 29.700 |
| 80 |
| quello e poi ecco come siamo arrivati |
| i nostri elenchi di Manhattan. Così |
| 00 | 44.033 |
| 84 |
| i dati sono che ti imbatti in questi |
| problemi come perché ce ne sono quattro |
| 00 | 03.300 |
| 88 |
| limitato a Manhattan, lo farò |
| torna indietro e pulisci un po ' |
| 00 | 18.033 |
| 92 |
| i dati descriveranno tutto ciò che noi |
| fatto per ottenere i dati, ne parleremo |
| 00 | 28.400 |
| 33.200 |
| 97 |
| so che dovrei combinare |
| in base al CAP, al CAP, |
| 00 | 47.166 |
| 101 |
| 102 |
| 107 colonne, |
| è solo difficile trovare il |
| 00 | 09.366 |
| 106 |
| loro, quindi sapevamo che dovevamo pulire |
| che su. Va bene, abbiamo anche avuto |
| 00 | 27.366 |
| 111 |
| diario di appunti. In modo da |
| ripuliscilo, usiamo la ricodifica |
| 00 | 45.500 |
| 115 |
| Esattamente. Freddo. |
| Ok, quindi abbiamo fatto la pulizia |
| 00 | 02.200 |
| 119 |
| I dati fiscali di Manhattan hanno questo zip |
| codice. Quindi ho questo codice postale |
| 00 | 19.300 |
| 123 |
| giorno di lezione, quando abbiamo parlato |
| di |
| tipi di dati. E notare nel |
| 00 | 42.300 |
| 128 |
| il... analizzare la distribuzione di |
| quella colonna, farà ridere |
| 00 | 03.200 |
| 133 |
| Manhattan non lo dice davvero |
| tu una cosa. |
| Ma il codice postale pulisce i dati |
| 00 | 18.466 |
| 23.266 |
| 139 |
| solo un'etichetta, un identificatore e |
| più precisamente, |
| quando vuoi unirti o unirti |
| 00 | 41.833 |
| 48.766 |
| 145 |
| importante. Non è solo un |
| idea astratta. Non puoi unire |
| 00 | 03.166 |
| 11.266 |
| 150 |
| nominale era il tipo di modellazione, |
| ci siamo appena assicurati. |
| 00 | 26.200 |
| 31.033 |
| 155 |
| circa il tavolo principale è il |
| inserzioni. voglio mantenere |
| 00 | 45.533 |
| 159 |
| per combinarlo con la tassa di Manhattan |
| dati. |
| Sì. Allora cosa? Allora dobbiamo |
| 00 | 03.266 |
| 164 |
| digli che la colonna ha chiamato |
| zip pulito, |
| codice postale pulito... |
| Quasi. Eccoci. |
| E la colonna chiamata zip, che |
| 00 | 33.200 |
| 171 |
| 172 |
| Inserimento Airbnb |
| e abbinalo a qualsiasi cosa |
| 00 | 57.033 |
| 177 |
| 178 |
| nella tabella ogni riga, se |
| corrisponde all'altro o |
| 00 | 13.233 |
| 182 |
| tavolo principale, e poi solo la roba |
| che si sovrappone dalla seconda |
| 00 | 29.600 |
| 186 |
| un altro nome come, Air BnB IRS |
| o qualcosa? Sì, è molto |
| 00 | 50.966 |
| 190 |
| fare un'altra cosa |
| perché ho notato che questi sono giusti |
| tabelle di dati sparse in giro |
| 00 | 06.666 |
| 195 |
| in esecuzione. Bene. Quindi lo salverò |
| tabella dati. E adesso? |
| E davvero, questi sono i dati |
| 00 | 19.833 |
| 22.033 |
| 26.266 |
| 35.466 |
| 203 |
| qualsiasi altra cosa, prima di perdere |
| traccia di dove siamo, andiamo |
| 00 | 49.733 |
| 58.800 |
| 01.833 |
| 209 |
| o Oak Team? |
| Poi |
| parte dell'idea di un progetto |
| 00 | 23.700 |
| 214 |
| cosa. Quindi se tu |
| prendi, direi, prendi il |
| 00 | 50.100 |
| 218 |
| 219 |
| 220 |
| due set di dati originali, e poi |
| la mia fusione finale. Adesso va bene |
| 00 | 16.200 |
| 225 |
| loro come schede. |
| E mentre generi grafici e |
| 00 | 36.566 |
| 229 |
| 230 |
| 231 |
| anche quando ce l'ho in questi |
| schede. Ok, è davvero fantastico. |
| 00 | 58.833 |
| 02.500 |
| 236 |
| va bene, vai Oak Team. |
| Bene, salve, dottor Carver, grazie |
| 00 | 19.233 |
| 240 |
| dovresti solo dare un'occhiata ad alcuni di |
| queste cose, e fammi sapere se |
| 00 | 32.300 |
| 244 |
| abbiamo usato Graph Builder per guardare |
| il prezzo per quartiere. E |
| 00 | 45.400 |
| 248 |
| aiutalo a essere un po' più facile |
| confrontare tra loro. Quindi siamo gentili |
| 00 | 01.000 |
| 252 |
| avere molta esperienza con |
| New York. Quindi abbiamo tracciato |
| 00 | 18.166 |
| 256 |
| stare di fronte all'ONU e |
| fare una foto con tutto il |
| 00 | 31.733 |
| 260 |
| dicendo in Gramercy Park o |
| Murray Hill. |
| Se guardiamo indietro al |
| 00 | 46.566 |
| 265 |
| pensato che dovremmo espandere il nostro |
| cerca al di là di quel quartiere |
| 00 | 58.766 |
| 269 |
| 270 |
| appena tracciato quali sono le medie |
| erano per i quartieri ma |
| 00 | 14.533 |
| 274 |
| la modellazione e per modellare la |
| predizione. Quindi se potessimo mettere |
| 00 | 30.766 |
| 279 |
| prezzo previsto. Abbiamo iniziato |
| costruire un modello e quello che abbiamo |
| 00 | 42.800 |
| 283 |
| fattori. E così poi quando mettiamo |
| quei fattori in solo a |
| 00 | 58.833 |
| 287 |
| inoltre, alcune delle statistiche di adattamento |
| di cui ci hai parlato a lezione. |
| 00 | 15.466 |
| 292 |
| ma soprattutto è una nuvola intorno |
| quella linea dello zero residuo. Così |
| 00 | 30.766 |
| 296 |
| che era molto più grande di qualsiasi altro |
| i nostri altri modelli. Quindi lo sappiamo |
| 00 | 45.800 |
| 300 |
| motivi per cui utilizziamo dati reali. |
| A volte, questo è reale. Questo è |
| 00 | 58.266 |
| 304 |
| analizzare, cercare, guardare? |
| Come questo è valori residui. |
| 00 | 19.266 |
| 309 |
| è buono. Ah, bello. |
| Freddo. Va bene, quindi cercherò |
| 00 | 34.966 |
| 313 |
| è un po' come stiamo rispondendo |
| le nostre poche domande importanti. E |
| 00 | 47.300 |
| 317 |
| era davvero difficile da pulire |
| i dati e per unire i dati. |
| 00 | 57.866 |
| 03.500 |
| 322 |
| voleva dimostrare come JMP |
| in combinazione con un mondo reale |
| 00 | 28.700 |
| 327 |
| Numero uno in un progetto reale, |
| l'ambito è importante. Noi vogliamo |
| 00 | 47.600 |
| 331 |
| spero di portare al |
| al gruppo. Insidia numero due, |
| è fondamentale esplorare il |
| 00 | 08.033 |
| 336 |
| l'area di collegamento dei dati |
| combinando dati da più |
| 00 | 27.800 |
| 341 |
| ricodifica |
| e assicurandoti che sia collegabile |
| 00 | 45.100 |
| 345 |
| 346 |
| la ricerca riproducibile è vitale, |
| soprattutto in un contesto di squadra, |
| soprattutto per i progetti che possono |
| 00 | 05.966 |
| 351 |
| abitudini di garanzia |
| riproducibilità. E infine, |
| speriamo che tu lo noti in questi |
| 00 | 32.633 |
| 356 |
| sul calcolo e |
| interpretazione cade dal |
| 00 | 51.900 |
| 360 |
