Grundläggande Databeredskap
“Above all else, show the data”.
- Edward R Tufte
Det här är en start för dig som vill veta mer om databeredskap, eller som kanske börjat lite smått men behöver mer stöd på vägen. Om du anser dig vara helt ny på området AI eller data föreslår vi att du börjar med att titta på Starta din AI-resa.
Upplägg
Utbildningen är helt onlinebaserad och består av tre fristående områden. Inom de olika områdena hittar du olika resurser, så som texter, video och verktyg för vidare arbete.
Förutsättningar tar upp just förutsättningar för ditt projekt, frågor som berör rätt data eller var din data finns, samt lärdomar från Databeredskapsverkstadens fallstudier.
Metoder för datahantering innehåller praktiska verktyg och metoder för hur du kan jobba med din data, samt fler lärdomar från fallstudierna.
Och slutligen, i Analys och datadrivet beslutsfattande finns resurser om analyser och att fatta datadrivna beslut. Mer lärdomar från fallstudierna och bra samling med länkar till guider och andra genomgångar.
Observera att vissa delar av resurser i utbildningen är på engelska.
|
2023-10-06 08:49
Linked Post
För att kunna hämta hem det potentiella värdet med artificiell intelligens är det ett måste att det finns data som AI-modellerna kan arbeta med.
En utmaning som organisationer ofta möter är tillgängligheten av data, det finns och produceras stora mängder data men som är svårt att komma åt då det kan vara tekniskt eller organisatoriskt inlåst. En annan frågeställning som snabbt kommer upp på agendan är frågor och förhållningssätt kring GDPR. För dig som vill lära dig mer så läs hela inlägget i Kraftsamlings-artikeln “En modern organisation måste se till att data är användbar för analyser”. |
Vanliga begrepp inom DataberedskapHär hittar du några vanliga begrepp inom databeredskap. Insamling: processen att samla in rådata som kan vara relevant för ett AI-projekt. Källor kan vara olika (till exempel databaser, sensorer eller skrapning). Rengöring: att korrigera eller ta bort felaktig, korrupt, felaktigt formaterad, ofullständig eller irrelevant data från ett dataset. Validering: processen att kontrollera och säkerställa att insamlad data är korrekt, relevant och användbar innan den används. Förberedelse: omfattar alla aktiviteter för att omvandla rådata till en form som bättre lämpar sig för analys, inklusive rengörning och transformation. Transformation: att omvandla data från ett format till ett annat format, struktur eller värde för att till exempel uppfylla vissa krav, som normalisering eller skalning. Berikning: processen att förbättra, förädla aller förbättra rå- eller primärdata med ytterligare information för att öka kvaliteten och värdet. Lagring: handlar om var och när data sparas, och kan inkludera molnbaserade lösningar och databaser. Sekretess: handlar om att skydda personlig och känslig information från obehörig åtkomst och spridning. Metadatahantering: innebär att hantera information som beskriver olika aspekter av data, som ursprung, användning och format för att förbättra förståelsen och anvädningen av data. |
|
|
Här hittar du frågor som berör grundläggande data; frågor som var den finns, är den kvalitativ och hur data fungerar som möjliggörare. Här hittar du också fallstudier från projektet Data Readiness Lab och andra bra resurser. Frågor som vi berör är:
|
I metoder för datahantering samlar vi några av de metoder som kan användas för att hantera din data, specifikt utifrån projektet Data Readiness Lab. Observera att vissa metoder är beskrivna på engelska. |
När du har kommit så pass långt att du har gjort alla förberedelser, och hanterat datan för ditt projekt, är det dags att ta sig an analys och datadrivet beslutsfattande. Det tittar vi närmare på här. Hur gjorde man analyserna i fallstudierna från Databeredskapsverkstaden? Vilka lärdomar har man dragit? Det och lite allmänt om dataanalys och datadrivet beslutsfattande hittar du här. |
|
2023-10-13 12:34
List
|