Читать книгу R für Data Science - Hadley Wickham - Страница 8

Die vorhergehende Beschreibung der Tools der Data Science ist ungefähr in der Reihenfolge angeordnet, in der Sie sie in einer Analyse einsetzen (auch wenn Sie diese Schritte natürlich mehrfach durchlaufen). Unserer Erfahrung nach ist dies aber nicht die beste Methode, sich mit diesen Tools bekanntzumachen:

 Mit Datenerfassung und Bereinigen zu beginnen, ist suboptimal, weil Sie 80% der Zeit mit langweiligen Routinearbeiten zubringen und die anderen 20% der Zeit bizarre und frustrierende Aufgaben lösen müssen. Das ist ein schlechter Ausgangspunkt, um sich ein neues Thema anzueignen! Stattdessen beginnen wir mit Visualisierung und Transformation von Daten, die bereits importiert und bereinigt wurden. Wenn Sie später also Ihre eigenen Daten erfassen und bereinigen, bleibt Ihre Motivation hoch, weil Sie wissen, dass der Aufwand gerechtfertigt ist.

 Manche Themen lassen sich am besten mit anderen Tools erläutern. Zum Beispiel glauben wir, dass es einfacher zu verstehen ist, wie Modelle arbeiten, wenn Sie bereits mit Visualisierung, Bereinigen von Daten und Programmierung vertraut sind.

 Programmiertools an sich sind nicht unbedingt interessant, doch sie erlauben es, beträchtlich anspruchsvollere Probleme anzugehen. Im Mittelteil des Buchs geben wir eine Auswahl von Programmiertools an, und Sie werden dann erfahren, wie sie sich mit den Data-Science-Tools kombinieren lassen, um interessante Modellierungsprobleme in den Griff zu bekommen.

In jedem Kapitel versuchen wir, uns an ein ähnliches Muster zu halten: Wir beginnen mit einigen motivierenden Beispielen, sodass Sie ein Gesamtbild bekommen, und tauchen dann ab in die Details. Jeder Abschnitt des Buchs ist gepaart mit Übungen, an denen Sie Ihre erworbenen Kenntnisse überprüfen können. Es mag verlockend sein, die Übungen zu überspringen, doch es gibt keine bessere Möglichkeit zu lernen, als sich an echten Problemen zu versuchen.