انواع تجزیه و تحلیل داده ها: مفاهیم و نمونه ها

تجزیه و تحلیل داده ها نقش مهمی در درک جهان ، کشف روندها و تصمیم گیری دارد. درک خوب از انواع مختلف تجزیه و تحلیل داده ها در دسترس برای هر کسی که به دنبال درک داده های خود باشد ضروری است. در این پست وبلاگ ، ما در مورد شش شکل مختلف تجزیه و تحلیل داده ها بحث خواهیم کرد و نمونه هایی از هر نوع را ارائه می دهیم تا بتوانید از نحوه عملکرد آنها ایده بهتری کسب کنید. در زیر نمایانگر شش شکل تجزیه و تحلیل داده ها است.

قبل از پیشروی و درک شکل های مختلف تجزیه و تحلیل ، اجازه می دهیم تجزیه و تحلیل داده ها چیست؟

کلمه "تجزیه و تحلیل" از یونان باستان ἀνάλυσις (تجزیه و تحلیل ، "یک شکستن" یا "یک ناپایدار" از آنا- "به بالا" و لیز "شل کننده") آمده است.

براساس موارد فوق ، وقتی می گوییم ما در حال تجزیه و تحلیل یک مشکل هستیم یا تجزیه و تحلیل یک مشکل را انجام می دهیم ، اساساً می گوییم که برای درک بهتر مشکل ، مشکل را در قسمت های بعدی می شکنیم یا شل می کنیم. و اگر از داده ها به عنوان بخشی از تجزیه و تحلیل مسئله استفاده کنیم یا مشکل را برای درک بهتر در زیر مشکلات زیرنویس قرار دهیم ، این قانون را می توان به عنوان تجزیه و تحلیل داده ها نامید.

فهرست مطالب

تجزیه و تحلیل داده های توصیفی

یکی از متداول ترین اشکال تجزیه و تحلیل داده ها ، تجزیه و تحلیل داده های توصیفی است. همانطور که از نام آن پیداست ، تجزیه و تحلیل داده های توصیفی به تجزیه مشکلات در زیرنویس ها و توصیف جنبه های مختلف مسئله / زیرنویس با استفاده از سؤالی مانند "آنچه هست" کمک می کند. به عنوان مثال ، تجزیه و تحلیل داده های توصیفی پیرامون فروش با پاسخ دادن به سؤالاتی از قبیل فروش در مناطق مختلف ، مدت زمان و غیره به درک فروش کمک می کند.

تجزیه و تحلیل توصیفی شامل تجزیه و تحلیل و خلاصه معیارها در یک مجموعه داده شامل اقدامات گرایش اصلی مانند میانگین / میانگین / حالت ، انحراف استاندارد ، تعداد کل ، حداقل و حداکثر مقدار ، Q1 ، Q3 ، دامنه interquartile ، انحراف استاندارد ، واریانس ، خطای استاندارد و غیره است. تجزیه و تحلیل توصیفی همچنین به درک شکل داده ها با استفاده از اقداماتی مانند Skew ، Kurtosis و غیره برای کسانی که با بسته Python Pandas کار می کنند ، کمک می کند تا از عملکرد برای ارائه خلاصه توصیفی از داده ها استفاده شود.

تجزیه و تحلیل داده های اکتشافی

تجزیه و تحلیل داده های اکتشافی ابزاری ارزشمند برای کشف الگوهای ، روندها و بینش در مورد هرگونه مشکل یا چیز با استفاده از داده ها است. این شامل تجزیه و تحلیل یک مجموعه داده برای به دست آوردن درک مسئله بدون ایجاد هیچ گونه فرضیه است. برخلاف روشهای آماری استاندارد ، نیازی به فرضیه یا فرضیات قبلی در مورد داده ها ندارد. درعوض ، به تحلیلگران / داده های داده اجازه می دهد تا با بررسی جنبه های مختلف داده ها برای کشف روابط جدید و کشف مشکلات یا تعصبات احتمالی ، یک رویکرد اکتشافی را در پیش بگیرند.

تجزیه و تحلیل داده های اکتشافی (EDA) به طور معمول در ابتدای یک پروژه قبل از استفاده از روشهای دقیق تر استفاده می شود. از طریق گرافیک ، تجسم و تجزیه و تحلیل آماری اساسی ، EDA به درک چگونگی ارتباط متغیرها در یک مجموعه داده با یکدیگر کمک می کند ، و همچنین نحوه تغییر آنها در طول زمان یا در گروه های مختلف. EDA به ما کمک می کند تا فرضیات خود را در مورد داده ها به چالش بکشید یا تأیید کنیم. این می تواند به محققان کمک کند تا فرضیه هایی را ایجاد کنند که عوامل ممکن است بر نتایج تأثیر بگذارند یا الگوهای و ساختارهایی را که ممکن است در هنگام نگاه کردن به آمار خلاصه به تنهایی مشهود نباشند ، تأثیر بگذارد. به عنوان مثال ، اگر محققان می خواستند بررسی كنند كه آیا بین سطح درآمد و دستیابی به آموزش در یك منطقه رابطه وجود دارد ، می توانند از توطئه های پراکندگی استفاده كنند و همبستگی بین این دو متغیر را بررسی كنند.

EDA می تواند به برجسته کردن شکاف در دانش ما در مورد چیز / سیستم کمک کند و به تعیین اینکه کدام آزمایشات ممکن است برای پر کردن این شکاف ها معقول باشد ، کمک می کند.

تجزیه و تحلیل داده های استنباطی

تجزیه و تحلیل داده های استنباطی نوعی از تجزیه و تحلیل آماری است که برای نتیجه گیری در مورد جمعیت بر اساس اطلاعات جمع آوری شده از یک نمونه استفاده می شود. توجه به این نکته حائز اهمیت است که تجزیه و تحلیل داده های استنباطی شواهد مستقیمی ارائه نمی دهد ، بلکه در عوض فقط تقریب آنچه را که ممکن است برای کل جمعیت باشد ، فراهم می کند. با گرفتن یک نمونه تصادفی از جمعیت و تجزیه و تحلیل آن ، تجزیه و تحلیل داده های استنباطی می تواند بینشی در مورد نحوه رفتار کل جمعیت فراهم کند. این نوع از نتیجه گیری آماری اغلب در تحقیق و تصمیم گیری استفاده می شود ، جایی که نتیجه گیری دقیق در مورد کل جمعیت به راحتی در دسترس یا عملی نیست.

تجزیه و تحلیل استنباطی مرحله آزمایش فرضیه را تعیین می کند و آزمایش ها طراحی و آزمایش و تجزیه و تحلیل درک مکانیسم های اساسی هستند.

چرا به تجزیه و تحلیل استنباطی نیاز است؟

اهمیت استنباط در مورد جامعه بر اساس نمونه مهم است زیرا جمع آوری داده ها برای کل جامعه و اجرای تجزیه و تحلیل گران است. علاوه بر گران بودن، جمع آوری داده های جمعیتی نیز غیرعملی است.

نمونه ای از تجزیه و تحلیل داده های استنباطی را می توان در مطالعه آلودگی هوا و امید به زندگی در سطح ایالتی در ایالات متحده مشاهده کرد. در این مورد، محققان اندازه گیری های کیفیت هوا را از مکان های مختلف در سراسر ایالات مختلف جمع آوری کردند تا سطوح آلاینده های موجود در هر منطقه را اندازه گیری کنند. سپس آنها این مقادیر را با امید به زندگی مربوطه در هر ایالت مقایسه کردند تا ببینند آیا بین سطوح آلودگی هوا و میانگین امید به زندگی همبستگی وجود دارد یا خیر. از آنجایی که به دلیل محدودیت های عملی نمی توان اندازه گیری یا نتیجه گیری دقیقی برای همه ایالت های ایالات متحده انجام داد، محققان به استنباط بالقوه روابط بین کیفیت هوا و امید به زندگی با تجزیه و تحلیل مجموعه ای از اندازه گیری ها از سراسر ایالات مختلف متوسل شدند. با انجام این کار، آنها توانستند در مورد اینکه چگونه تغییرات آلودگی هوا ممکن است بر طول عمر کلی در سطح ملی تأثیر بگذارد، بدون آزمایش تک تک مکان ها در هر ایالت، نتیجه گیری کنند.

• فاصله اطمینان، خطای استاندارد، حاشیه خطا
• میانگین مورد انتظار تک نمونه: آیا میانگین نمونه با میانگین مورد انتظار متفاوت است؟
• تفاوت میانگین از دو نمونه
• توزیع داده ها
• پسرفت
• حسن تناسب و تداعی

تجزیه و تحلیل داده های پیش بینی شده

تجزیه و تحلیل داده های پیش بینی کننده ابزار ارزشمندی برای کسب وکارها، محققان و سایرین است که به دنبال درک عوامل زمینه ای است که منجر به نتایج خاصی می شود. تجزیه و تحلیل داده های پیش بینی شده از انواع الگوریتم ها و تکنیک های آماری برای تجزیه و تحلیل مجموعه داده های بزرگ و کشف الگوها یا روابطی که می توانند برای پیش بینی نتایج آینده استفاده شوند، استفاده می کند.

در بسیاری از موارد، تجزیه و تحلیل داده های پیش بینی کننده بر تکنیک های یادگیری ماشین مانند شبکه های عصبی مصنوعی و درخت های تصمیم متکی است. الگوریتم های یادگیری ماشینی از مجموعه داده های آموزشی برای یادگیری ویژگی های نقاط داده موجود و ساخت مدل هایی استفاده می کنند که می توانند سپس برای پیش بینی نقاط داده جدید مورد استفاده قرار گیرند. به عنوان مثال، یک کسب و کار ممکن است از تجزیه و تحلیل پیش بینی برای شناسایی مشتریان جدیدی که رفتار خرید مشابهی با مشتریان فعلی دارند، با استفاده از ترکیبی از اطلاعات جمعیت شناختی، خریدهای گذشته و سایر جزئیات به دست آمده از تراکنش های گذشته استفاده کند.

تجزیه و تحلیل علّی داده ها

تجزیه و تحلیل داده های علی ، تمرین بررسی روابط بین دو یا چند متغیر است تا مشخص شود که آیا تغییر در یک متغیر باعث تغییر در دیگری به طور متوسط می شود. تجزیه و تحلیل علی به دنبال درک بزرگی و جهت روابط بین متغیرها به طور متوسط است. تجزیه و تحلیل علی نیاز به بررسی دقیق شواهد تجربی ، از جمله داده های کمی و کیفی دارد. با شناسایی همبستگی بین متغیرها ، می توان مشخص کرد که آیا تغییرات در یک متغیر باعث تغییر در دیگری می شود یا صرفاً یک عامل اساسی مشترک را منعکس می کند.

به عنوان مثال ، مطالعات زیادی در مورد ارتباط بین سیگار کشیدن و سرطان انجام شده است. شواهد حاصل از این مطالعات رابطه علّی شدیدی بین سیگار کشیدن و سرطان نشان داده است. یعنی سیگار کشیدن باعث افزایش خطر ابتلا به سرطان می شود. این اثر علّی اتفاق می افتد زیرا وقتی کسی سیگار می کشد ، بدن آنها در معرض مواد شیمیایی سرطان زا قرار می گیرد که باعث آسیب به سلول ها می شود و خطر ابتلا به انواع خاصی از سرطان ها را افزایش می دهد.

نمونه دیگر رابطه علّی رابطه بین فقر و پیامدهای سلامتی است. مطالعات بیشماری نشان داده است که زندگی در فقر خطر فرد برای شرایط جسمی و روحی بی شمار را افزایش می دهد ، به دلیل عواملی مانند رژیم غذایی ضعیف ، دسترسی ناکافی به مراقبت های پزشکی ، قرار گرفتن در معرض خطرات محیطی و افزایش سطح استرس (همه این موارد با زندگی تشدید می شوندتحت فشار اقتصادی). در اصل ، فقر نشان داده شده است که به طور قابل توجهی در نتایج کلی سلامت فقیرتر در ابعاد بی شماری نقش دارد.

تجزیه و تحلیل داده های مکانیکی

تجزیه و تحلیل داده های مکانیکی یک روش علمی است که برای شناسایی روابط علی بین دو متغیر استفاده می شود. این رویکرد بر مطالعه چگونگی تغییر در یک متغیر بر متغیر دیگر به روش قطعی تأثیر می گذارد.

تجزیه و تحلیل داده های مکانیکی به طور گسترده در مطالعات مهندسی استفاده می شود. مهندسان از این روش برای تجزیه و تحلیل چگونگی تأثیر تغییرات در مؤلفه های یک سیستم بر عملکرد کلی آن استفاده می کنند و سپس بر اساس مشاهدات خود مدل های ریاضی را برای پیش بینی عملکرد سیستم در شرایط مختلف توسعه می دهند. به عنوان مثال ، مهندسان ممکن است چگونگی تغییر در پارامترهای طراحی موتور مانند اندازه پیستون ، میزان تزریق سوخت ، فشار اگزوز یا تعداد سیلندرها را بر عملکرد موتور یا راندمان سوخت برای کمک به بهینه سازی طرح های موتور برای بهبود عملکرد و کارآیی در وسایل نقلیه اندازه گیری کنند.

نتیجه

تجزیه و تحلیل داده ها به ابزاری اساسی برای کشف بینش های ارزشمند از مجموعه داده های بزرگ سریع و دقیق تبدیل شده است. شش نوع مختلف تجزیه و تحلیل داده ها - توصیفی ، اکتشافی ، استنباطی ، پیش بینی کننده ، علی و مکانیکی - همه دارای نقاط قوت منحصر به فرد خود هستند که بسته به نیازها یا اهداف خاص شما هنگام تجزیه و تحلیل داده های شما قابل استفاده است. با درک اصول اولیه در هر نوع روش تجزیه و تحلیل داده ها می توانید بینشی در مورد چگونگی استفاده از آنها در پیشبرد بهترین استفاده از آنها به دست آورید تا بتوانید بر اساس یافته های خود با اعتماد به نفس تصمیمات مؤثر بگیرید

بیا دنبالم

من اخیراً در زمینه تجزیه و تحلیل داده ها از جمله علم داده و یادگیری ماشین / یادگیری عمیق کار کرده ام. من همچنین به فن آوری های مختلف از جمله زبانهای برنامه نویسی مانند Java/Jee ، JavaScript ، Python ، R ، Julia و غیره علاقه مند هستم و فناوری هایی مانند blockchain ، محاسبات موبایل ، فناوری های بومی ، امنیت کاربرد ، سیستم عامل های محاسباتی ابری ، داده های بزرگ ، داده های بزرگ ، داده های بزرگبرای آخرین به روزرسانی ها و وبلاگ ها ، ما را در توییتر دنبال کنید. من دوست دارم در LinkedIn با شما ارتباط برقرار کنم.