| Vocero |
Transcripción |
| |
Así que bienvenidos a todos. Mi nombre es |
| 00 |
07.933 |
| |
3 |
| |
Embajador de JMP. Ahora soy un |
| |
profesor jubilado de Negocios |
| 00 |
30.566 |
| |
7 |
| |
entre un estudiante y un |
| |
Profesor trabajando en un proyecto. |
| 00 |
49.700 |
| |
11 |
| |
12 |
| |
Involucrar a los estudiantes en la estadística |
| |
razonamiento, enseñar que |
| 00 |
12.433 |
| |
16 |
| |
En ese sentido, el pensamiento actual es |
| |
que los estudiantes deberían estar aprendiendo |
| |
sobre flujos de trabajo reproducibles, |
| 00 |
36.266 |
| |
21 |
| |
gestión elemental de datos. Y, |
| |
De nuevo, viendo las estadísticas como |
| 00 |
58.800 |
| |
25 |
| |
26 |
| |
Quería unirme a ustedes hoy en este |
| |
llamada virtual. Gracias por tener |
| 00 |
20.600 |
| |
30 |
| |
y específicamente en Manhattan, |
| |
Y nos lo habías pedido así que tú |
| 00 |
36.433 |
| |
34 |
| |
Y elegimos hacer el Airbnb |
| |
perspectiva del inquilino. Así que estamos |
| 00 |
51.733 |
| |
38 |
| |
caro. |
| |
Así que nosotros |
| |
Empezamos a llenar...nos diste |
| 00 |
09.166 |
| |
43 |
| |
44 |
| |
Problema aparte, de tu principal |
| |
enfoque de encontrar un lugar en |
| 00 |
36.066 |
| |
49 |
| |
Obtienes...si logras pasar el |
| |
Las primeras tres preguntas, ya las tienes |
| 00 |
54.100 |
| |
53 |
| |
sabes, hay una parte de |
| |
¿Manhattan, te interesa? |
| 00 |
11.133 |
| |
58 |
| |
repositorio al que nos enviaste. |
| |
Y descargamos el realmente |
| 00 |
26.433 |
| |
32.866 |
| |
63 |
| |
Lo que encontramos fue que había como |
| |
cuatro columnas en este conjunto de datos |
| 00 |
46.766 |
| |
67 |
| |
Me di cuenta de que esto era así |
| |
uno, el barrio anfitrión. Así que |
| 00 |
58.100 |
| |
71 |
| |
72 |
| |
Me di cuenta de que los dos primeros |
| |
Solo tengo toneladas de pequeños |
| 00 |
13.300 |
| |
76 |
| |
Manhattan. Así que seleccionamos |
| |
Manhattan. Y luego cuando tuvimos |
| 00 |
29.700 |
| |
80 |
| |
Eso y así fue como llegamos |
| |
Nuestros listados de Manhattan. Así que |
| 00 |
44.033 |
| |
84 |
| |
Los datos son que te encuentras con estos |
| |
cuestiones como por qué hay cuatro |
| 00 |
03.300 |
| |
88 |
| |
Lo restringiré a Manhattan, lo haré. |
| |
Regresa y limpia un poco |
| 00 |
18.033 |
| |
92 |
| |
Los datos describirán todo lo que |
| |
Hice para obtener los datos, ya hablaremos |
| 00 |
28.400 |
| |
33.200 |
| |
97 |
| |
Sé que se supone que debo combinar |
| |
ellos basados en el código postal, el código postal, |
| 00 |
47.166 |
| |
101 |
| |
102 |
| |
107 columnas, |
| |
Es simplemente difícil encontrarlo |
| 00 |
09.366 |
| |
106 |
| |
ellos, así que sabíamos que teníamos que limpiarlos. |
| |
Eso arriba. Muy bien, también teníamos |
| 00 |
27.366 |
| |
111 |
| |
diario de notas. Para |
| |
Limpia esto, usamos la recodificación |
| 00 |
45.500 |
| |
115 |
| |
Exactamente. Genial. |
| |
Bueno, entonces hicimos la limpieza. |
| 00 |
02.200 |
| |
119 |
| |
Los datos fiscales de Manhattan tienen este código postal |
| |
código. Entonces tengo este código postal |
| 00 |
19.300 |
| |
123 |
| |
día de clase, cuando hablamos |
| |
acerca de |
| |
tipos de datos. Y observe en el |
| 00 |
42.300 |
| |
128 |
| |
el...analizar la distribución de |
| |
Esa columna, será divertida |
| 00 |
03.200 |
| |
133 |
| |
Manhattan realmente no lo dice todo |
| |
Eres una cosa. |
| |
Pero los datos del código postal están limpios. |
| 00 |
18.466 |
| |
23.266 |
| |
139 |
| |
sólo una etiqueta, un identificador y |
| |
Más al punto, |
| |
Cuando quieras unirte o fusionarte |
| 00 |
41.833 |
| |
48.766 |
| |
145 |
| |
importante. No es solo una |
| |
idea abstracta. No se puede fusionar |
| 00 |
03.166 |
| |
11.266 |
| |
150 |
| |
nominal era el tipo de modelado, |
| |
Simplemente nos aseguramos. |
| 00 |
26.200 |
| |
31.033 |
| |
155 |
| |
Sobre la mesa principal se encuentra la |
| |
Listados. Quiero conservar |
| 00 |
45.533 |
| |
159 |
| |
para combinarlo con el impuesto de Manhattan |
| |
datos. |
| |
Sí. ¿Y luego qué? Entonces tenemos que... |
| 00 |
03.266 |
| |
164 |
| |
Dile que la columna se llama |
| |
cremallera limpia, |
| |
código postal limpio... |
| |
Ya casi. Ahí vamos. |
| |
Y la columna llamada zip, que |
| 00 |
33.200 |
| |
171 |
| |
172 |
| |
Anuncio de Airbnb |
| |
y combinarlo con cualquier cosa en |
| 00 |
57.033 |
| |
177 |
| |
178 |
| |
ellos en la tabla en cada fila, ya sea |
| |
coincide con el otro o |
| 00 |
13.233 |
| |
182 |
| |
mesa principal, y luego solo el material |
| |
que se superpone a la segunda |
| 00 |
29.600 |
| |
186 |
| |
Otro nombre como Air BnB IRS |
| |
¿O algo así? Sí, es mucho. |
| 00 |
50.966 |
| |
190 |
| |
Haz una cosa más |
| |
Porque me di cuenta de que estos son solo |
| |
tablas de datos dispersas por todas partes |
| 00 |
06.666 |
| |
195 |
| |
corriendo. Bien. Así que guardaré esto. |
| |
Tabla de datos. ¿Y ahora qué? |
| |
Y realmente, estos son los datos. |
| 00 |
19.833 |
| |
22.033 |
| |
26.266 |
| |
35.466 |
| |
203 |
| |
cualquier otra cosa, antes de que perdamos |
| |
seguimiento de dónde estamos, vamos |
| 00 |
49.733 |
| |
58.800 |
| |
01.833 |
| |
209 |
| |
¿O equipo Oak? |
| |
Y luego |
| |
parte de la idea de un proyecto |
| 00 |
23.700 |
| |
214 |
| |
cosa. Así que si tú |
| |
agarrar, yo diría, tomar el |
| 00 |
50.100 |
| |
218 |
| |
219 |
| |
220 |
| |
dos conjuntos de datos originales y luego |
| |
Mi fusión final. Bien ahora |
| 00 |
16.200 |
| |
225 |
| |
ellos como pestañas. |
| |
Y a medida que se generan gráficos y |
| 00 |
36.566 |
| |
229 |
| |
230 |
| |
231 |
| |
Incluso cuando lo tengo en estos |
| |
pestañas. Bueno, eso es realmente genial. |
| 00 |
58.833 |
| |
02.500 |
| |
236 |
| |
Bien, vamos Equipo Oak. |
| |
Bueno, hola Dr. Carver, muchas gracias. |
| 00 |
19.233 |
| |
240 |
| |
Solo echarías un vistazo a algunos de |
| |
estas cosas, y déjame saber si |
| 00 |
32.300 |
| |
244 |
| |
Usamos Graph Builder para mirar |
| |
El precio por barrio. Y |
| 00 |
45.400 |
| |
248 |
| |
Ayúdalo a que sea un poco más fácil |
| |
compararlos. Así que, en cierto modo, |
| 00 |
01.000 |
| |
252 |
| |
Tengo mucha experiencia con |
| |
Ciudad de Nueva York. Así que planeamos |
| 00 |
18.166 |
| |
256 |
| |
estar frente a la ONU y |
| |
Tómate una foto con todos los |
| 00 |
31.733 |
| |
260 |
| |
diciendo en Gramercy Park o |
| |
Colina Murray. |
| |
Si miramos hacia atrás, |
| 00 |
46.566 |
| |
265 |
| |
Pensamos que deberíamos ampliar nuestra |
| |
Busca más allá de ese barrio para |
| 00 |
58.766 |
| |
269 |
| |
270 |
| |
Acabo de graficar los promedios |
| |
eran para los barrios pero |
| 00 |
14.533 |
| |
274 |
| |
el modelado, y modelar el |
| |
predicción. Entonces, si pudiéramos poner |
| 00 |
30.766 |
| |
279 |
| |
precio esperado. Empezamos |
| |
construyendo un modelo y lo que hemos |
| 00 |
42.800 |
| |
283 |
| |
factores. Y entonces cuando ponemos |
| |
esos factores en sólo un |
| 00 |
58.833 |
| |
287 |
| |
Además, algunas de las estadísticas de ajuste |
| |
Nos lo has contado en clase. |
| 00 |
15.466 |
| |
292 |
| |
Pero sobre todo es una nube alrededor. |
| |
esa línea cero residual. Entonces |
| 00 |
30.766 |
| |
296 |
| |
que era mucho más grande que cualquiera de |
| |
Nuestros otros modelos. Así que sabemos |
| 00 |
45.800 |
| |
300 |
| |
Razones por las que utilizamos datos reales. |
| |
A veces, esto es real. Esto es |
| 00 |
58.266 |
| |
304 |
| |
¿mirando? |
| |
Así son estos valores residuales. |
| 00 |
19.266 |
| |
309 |
| |
Es bueno. Ah, genial. |
| |
Genial. Bueno, entonces buscaré. |
| 00 |
34.966 |
| |
313 |
| |
Es más o menos cómo estamos respondiendo |
| |
Nuestras pocas preguntas importantes. Y |
| 00 |
47.300 |
| |
317 |
| |
Fue realmente difícil de limpiar |
| |
los datos y unir los datos. |
| 00 |
57.866 |
| |
03.500 |
| |
322 |
| |
Quería demostrar cómo JMP |
| |
en combinación con un mundo real |
| 00 |
28.700 |
| |
327 |
| |
Número uno en un proyecto real, |
| |
El alcance es importante. Queremos |
| 00 |
47.600 |
| |
331 |
| |
Espero traer a la |
| |
al grupo. Trampa número dos, |
| |
Es vital explorar el |
| 00 |
08.033 |
| |
336 |
| |
el área de vinculación de datos |
| |
Combinando datos de múltiples |
| 00 |
27.800 |
| |
341 |
| |
recodificación |
| |
y asegurarse de que se puedan vincular |
| 00 |
45.100 |
| |
345 |
| |
346 |
| |
La investigación reproducible es vital, |
| |
especialmente en un contexto de equipo, |
| |
especialmente para proyectos que puedan |
| 00 |
05.966 |
| |
351 |
| |
hábitos de garantía |
| |
reproducibilidad. Y finalmente, |
| |
Esperamos que notes que en estos |
| 00 |
32.633 |
| |
356 |
| |
sobre el cálculo y |
| |
La interpretación recae en el |
| 00 |
51.900 |
| |
360 |
