Portuguese, Brazilian 字幕

← Aude Explores Coordinated Migration - Data Analysis with R

埋め込みコードを取得する
5言語

Showing Revision 8 created 06/20/2016 by Udacity Robot.

  1. Queremos que você desenvolva uma mentalidade curiosa e cética quando
  2. trabalhar com dados. Para ajudá-lo a ter essa mentalidade, gostaria de compartilhar
  3. outra conversa que tive com Aude. Neste próximo vídeo, quero que você
  4. ouça o trabalho de Aude e veja
  5. como ela demonstrou esse mesma mentalidade.
  6. >> Juntamos todas cidades natais e cidades atuais dos
  7. usuários, e eu estava olhando as probabilidades condicionais devido à
  8. cidade natal. Qual é a probabilidade de você atualmente viver
  9. em uma cidade diferente? Por exemplo, se a cidade
  10. natal for Nova Iorque, qual a probabilidade de você viver em
  11. Chicago ou de
  12. ainda viver em Nova Iorque ou de viver em
  13. São Francisco ou Paris e assim por diante. E o que eu esperava
  14. é que, pelo menos, a cidade mais provável,
  15. onde você viveria agora seria
  16. sua cidade natal. Se você cresceu em
  17. Chicago, o lugar mais provável que você estaria
  18. agora ainda seria Chicago. Você poderia ter
  19. se mudado, mas a sua cidade natal ainda seria
  20. o lugar mais provável. Mas vi um número significativo de casos
  21. onde a cidade atual mais provável era diferente
  22. da cidade natal e, isso era
  23. uma probabilidade razoavelmente alta. Fiquei surpreso. Eu me perguntava
  24. se eu tinha um principal em minhas computações, se havia alguns problemas no que
  25. eu estava fazendo. Decidi colocar todas cidades em um mapa. Todos os pares de
  26. cidades natais e cidades atuais para qual a cidade
  27. atual mais provável era diferente da cidade natal. E
  28. o que vimos neste mapa foi realmente fascinante,
  29. porque não era o que esperávamos.
  30. Não era um bug no código. Estávamos vendo padrões se destacando. Aqui nós apenas
  31. traçamos pares de cidade natal e cidade atual,
  32. não há nenhum movimento entre os pares, mas o que
  33. vemos é que muitas dessas cidades das quais a cidade atual mais
  34. provável é diferente da cidade natal surgem na África Ocidental ou na
  35. Índia ou na Turquia, que não
  36. necessariamente esperávamos no início. E houve muitas
  37. cidades pequenas mudando para a cidade
  38. atual e decidimos buscar um
  39. pouco mais. Uma coisa que acontece é que às vezes,
  40. a distribuição da cidade atual é muito plana.
  41. Digamos que você tenha crescido em Paris, talvez
  42. você ainda esteja morando em Paris, mas você pode estar morando
  43. em uma das centenas de cidades nos arredores e
  44. a distribuição é bem plana,
  45. temos de decidir o que foi considerado como uma demarcação de
  46. coordenadas. Decidimos que a probabilidade de mudar para
  47. aquela cidade é tão alta que estamos considerando ela.
  48. E a outra coisa que temos que pensar é que se você olhar no mapa na
  49. escala mundial ou se aproximar de uma
  50. área bem específica, você não irá querer ver as mesmas coisas.
  51. Também queremos interação com a visualização. Decidimos
  52. usar o D3, um framework de visualização com base em Javascript, que
  53. possibilita a você interagir intensamente com seus dados
  54. e permite que façamos muitas explorações e assim por diante.