Do.Data ist eine von Quantum entwickelte Reihe praktischer Workshops, die die Datenexploration ermöglichen sollen. Die Teilnehmer lernen die neuesten Methoden der Datenwissenschaft kennen, indem sie sich mit datenbezogenen Herausforderungen und Analysen befassen, Erkenntnisse und Tipps austauschen … und lernen, wie man mehr aus Daten herausholen kann.
Kontaktieren Sie uns, wenn Sie an unserer nächsten Veranstaltung teilnehmen möchten oder daran interessiert sind, einen Do.Data-Workshop sogar in Ihrem Unternehmen zu organisieren.
Weitere Informationen zu unserer nächsten Do.Data-Veranstaltung folgen in Kürze.
Kontext, Datenwissenschaft und Restaurantbewertungen | 9. März 2023
In diesem Workshop haben wir diskutiert, was es bedeutet, Datenwissenschaftler zu sein, und welche Quellen für die Beschaffung von Daten außerhalb Ihres Unternehmens zur Verfügung stehen. Anschließend haben wir uns mit von Nutzern erstellten Restaurantbewertungen befasst, um Kontext- und Domänenwissen sowie deren Bedeutung für die Datenwissenschaft und -analyse zu untersuchen. Dazu gehörte auch ein Einblick, welche Visualisierungen die Geschichte am besten erzählen. Eine lebhafte Diskussion und ein Apéro rundeten den Abend ab.
Kontaktieren Sie uns, wenn Sie Fragen zur Visualisierung haben oder mehr über Datenwissenschaft erfahren möchten. Oder informieren Sie sich über die Schulungskurse von Quantum.
Am Abend präsentierten Priska und Simon – Datenjournalisten vom Blick – ihre Reise zur Geschichte des Schweizer Luftraums. Dazu gehörten Einblicke in Infografiken, die Vorbereitung und Suche nach Daten, Probleme, die dabei auftraten, sowie die digitale und visuelle Umsetzung. Mit Tableau haben wir uns mit Datenanalyse und -visualisierung beschäftigt und zum Schluss haben wir uns in Gruppen aufgeteilt, um unsere eigenen Infografiken und Visualisierungen zu erstellen.
Wenn Sie Fragen zur Visualisierung haben oder mehr über Tableau oder die Tableau-Schulungskurse von Quantum erfahren möchten, kontaktieren Sie uns.
Am Abend stellten Vincenzo und Rosaria – Autoren des Buches über Text Mining „From Words to Wisdom“ – KNIME vor und führten uns Schritt für Schritt durch die Erstellung unserer eigenen Sentimentanalyse-Anwendung. Dabei wurden Themen wie Datenzugriff, Textbereinigung, Stemming, Dictionary Tagging, Textvisualisierung und Machine-Learning-Techniken behandelt.
Fragen zum Text Mining? Oder möchten Sie mehr über KNIME erfahren?
Während der Veranstaltung haben wir Fotos von Prominenten mit denen von Terroristen verglichen, um zu zeigen, wie es möglich ist, dass Organisationen wie das FBI die Identität einer Person falsch einschätzen, wenn sie ausschließlich Gesichtserkennung einsetzen. Wir haben aufgezeigt, wie künstliche Intelligenz von jeder Organisation im Zusammenhang mit Bilderkennung/-klassifizierung und Social Media Listening eingesetzt werden kann, um die Beiträge, Kommentare und Rückmeldungen (Text oder Bilder) der Nutzer ständig zu überwachen, die Stimmung zu bewerten und zeitnah zu reagieren.
Kontaktieren Sie uns, um zu erfahren, wie Sie innerhalb weniger Wochen schnell mit künstlicher Intelligenz und Bilderkennung beginnen können. Wir zeigen Ihnen, wie Sie vorhandene Python-Pakete, öffentlich zugängliche Bilddatenbanken und andere Open-Source-Ressourcen nutzen können. Oder erfahren Sie mehr über unseren Schulungskurs zum Thema Social Media Listening.
Wir haben Twitter- und Beziehungsdaten zu Tweets von @realDonaldTrump aus Twitter, Trumps Verbindungen aus BuzzFeed und die reichsten Menschen der Welt / mächtigsten Menschen / Top-2000-Unternehmen aus Forbes-Listen zusammengestellt. Wir beachteten, ob es um die Speicherung oder Analyse der Daten ging, für jede Aufgabe das richtige Tool auszuwählen. Python zum Herunterladen der Daten aus Twitter-APIs. Eine Dokumentendatenbank (MongoDB) zum Speichern der JSON-Dateien. Tableau zum Analysieren und Visualisieren der Tweet-Muster. Und schließlich eine Graphdatenbank (neo4j) zum Analysieren und Visualisieren der Verbindungen/Beziehungen. Eine Erkenntnis war, dass Trump zu einem Zeitpunkt, als seine Zustimmungswerte deutlich sanken, begann, bezahlte Werbung auf Twitter zu schalten. Dies ergab sich aus der Visualisierung seiner Tweet-Muster mit Tableau. Eine weitere Erkenntnis basierte auf einem K-Means-Clustering von Trumps Twitter-Freunden und -Followern. Überraschenderweise waren nicht alle seine Follower konservativ eingestellt und Verfechter des Waffenrechts. Vielmehr gab es fünf unterschiedliche Gruppen, darunter z.B. Stadtbewohner/Fachleute etc.
Weitere Erkenntnisse finden Sie in unserer Tableau-Arbeitsmappe unten. Laden Sie unsere Präsentation herunter und probieren Sie einige der Cypher-Abfragen in neo4j aus. Kontaktieren Sie uns, wenn Sie eine Kopie der Trump World neo4j-Datenbank mit allen Daten aus Twitter, BuzzFeed und Forbes-Listen wünschen.
In New York City mit rund 8,5 Millionen Einwohnern werden täglich über 750.000 Taxifahrten durchgeführt (einschließlich Uber, Lyft usw.). Marktführer sind Yellow Taxis mit einem Marktanteil von 42 %, gefolgt von Uber mit 30 % (Stand 2017). Anhand von Daten, welche von NYC OpenData/Taxi & Limo Commission heruntergeladen wurden, konnten 25 Millionen Datensätze für Dezember 2016 in Tableau visualisiert werden. Eine überraschende Erkenntnis war, dass Uber einen höheren Marktanteil an Fahrten in Upper Manhattan und den Außenbezirken hatte und einen geringeren Marktanteil in Lower Manhattan, wahrscheinlich weil es dort einer starken Konkurrenz durch die Yellow Taxis ausgesetzt ist (die von der NYC Taxi & Limo Commission als „Yellow Zone” bezeichnet werden).
Die vollständige Geschichte finden Sie in unserer Tableau-Arbeitsmappe unten. Haftungsausschluss: Die Daten sind aufgrund der Beschränkung von Tableau Public auf 15 Millionen Datensätze auf den Zeitraum vom 16. bis 31. Dezember beschränkt.
Das australische Finanzamt hat Steuerdaten für die Jahre 2013–2014 veröffentlicht, in denen das Durchschnittseinkommen nach Geschlecht und Beruf aufgeschlüsselt ist. Es überrascht nicht, dass Männer in fast allen Berufen ein höheres Durchschnittseinkommen hatten als Frauen in denselben Berufen. Ausnahmen bildeten Futures-Händler und Bergführer. Die Daten liefern zwar einige interessante Erkenntnisse, sagen aber allein noch nichts darüber aus, ob es einen Unterschied zwischen dem durchschnittlichen Stundenlohn von Frauen und Männern gibt.
Sehen Sie sich unsere Tableau-Arbeitsmappe mit verschiedenen Diagrammen an, um sich inspirieren zu lassen. Die Diagramme umfassen ein Boxplot, ein Streudiagramm, ein Dumbbell-Diagramm (mit weiblichen/männlichen Symbolen) und die Verteilung.
