Mejora de los proyectos de "Big Data"
Ronald Snee, PhD, Presidente, Snee Associates
Richard De Veaux, C. Carlisle y Margaret Tippit, profesora de estadística, Williams College
Roger Hoerl, PhD, Profesor Asistente, Union College
JMP ofrece una serie de herramientas avanzadas para analizar conjuntos de datos masivos, incluidos los clústeres de partición, neuronales y k-means. Estas herramientas hacen que los métodos estadísticos de alta potencia estén disponibles no solo para estadísticos profesionales, sino también para usuarios ocasionales. Al igual que con cualquier herramienta, los resultados que se esperan son proporcionales al conocimiento y la habilidad del usuario. Desafortunadamente, gran parte de la literatura sobre minería de datos, aprendizaje automático y "big data" puede dar a los usuarios ocasionales la impresión de que si uno tiene un algoritmo suficientemente potente y muchos datos, se garantizan buenos modelos y buenos resultados. Esta sesión se centrará en tres principios importantes que, en nuestra opinión, se han subestimado en la literatura: la importancia de utilizar enfoques secuenciales para la investigación científica, en oposición a los "estudios de un solo disparo"; la necesidad de que la modelización empírica se guíe por la teoría de la materia, incluida la interpretación de los datos en el contexto del proceso y el sistema de medición que la generó; y la suposición no declarada típica de que todos los datos son creados iguales, y por lo tanto, la cantidad de datos es más importante que la calidad de los datos. Discutiremos los problemas que pueden surgir cuando se ignoran estos fundamentos y compartiremos nuestros pensamientos y experiencias sobre cómo mejorar los proyectos de minería de datos.
