Chinese, Simplified 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 1 created 08/15/2016 by Udacity Robot.

  1. 我们希望你在处理数据时培养一种好奇心而敢于质疑的思维
  2. 为帮助你进入这种心态 我要分享我与 Aude 的另一场谈话
  3. 在下一个视频中 我希望
  4. 你倾听 Aude 的工作
  5. 体会她如何展示这种思维
  6. 我们从用户那里收集了其家乡及当前城市
  7. 我要查看给定家乡的条件概率
  8. 你当前在每个不同城市居住的概率是多大?
  9. 比如说 假设你的家乡是纽约
  10. 那么你在芝加哥居住的概率是多大?
  11. 或者说你仍居住在
  12. 纽约的概率有多大?
  13. 你居住在旧金山或者巴黎的概率有多大?以此类推
  14. 我期望的是 至少你当前最可能
  15. 居住的城市就是
  16. 你的家乡所在地
  17. 如果你在芝加哥长大 那么现在你最可能所在的地方
  18. 仍是芝加哥 你可能也会搬家
  19. 但最可能的地方仍会是自己的家乡
  20. 但是 我看到一定数量的案例
  21. 当前最可能的城市
  22. 并非自己的家乡 而且是
  23. 相当高的概率 我非常好奇 我在想
  24. 是否在我的计算中有一个基数 是否所做的工作的上游存在问题
  25. 所以我决定将所有城市放到地图上
  26. 对于最可能当前城市不是家乡的情况
  27. 家乡和当前城市进行对照
  28. 我在这个地图上看到的结果非常让人困惑
  29. 因为真的与我们的预期大不相同
  30. 这是代码中的缺陷 我们真正看到模式的出现
  31. 这里我们仅仅画出家乡和当前城市对照
  32. 对照之间没有移动 但我们看到的是
  33. 对于当前最可能身处的城市与家乡不同的情况
  34. 这些城市很多出现在西部非洲
  35. 或者印度 或者土耳其
  36. 而这些在开始时不一定可以预计得到
  37. 还有很多的小城市都移到当前相同的城市
  38. 所以我们决定再深挖一步
  39. 出现的一个情况就是
  40. 有时候当前城市的分布非常平坦
  41. 给出你的出生地 比如巴黎
  42. 可能你仍居住在巴黎 但是你也可能居住在
  43. 上千城市之一的市郊
  44. 所以这个分布非常平坦
  45. 所以我们得决定将什么用作坐标划界
  46. 我们确定搬到该城市的概率
  47. 足够高到我们要对其进行考虑
  48. 我们要考虑的另一件事情就是 如果你在全球范围内观察这幅地图
  49. 或者如果缩放到某个特定区域
  50. 你想要看到的情况是不一样的
  51. 所以 我们希望在可视化中有交互能力
  52. 所以我们决定使用 D3 这是基于 Javascript 的可视化框架
  53. 可让你与数据之间有很多交互能力
  54. 能让我们做很多探索 等等