Waarom is dit belangrijk?
Grote hoeveelheden gegevens worden zo bruikbaar voor onderbouwde beslissingen die mensen niet stuk voor stuk kunnen nalopen. In de wetenschap en in veel andere vakgebieden sturen bevindingen uit datawetenschap vervolgens keuzes op een hoger niveau. Werknemers en studenten komen die analyses tegen in onderzoek, opleidingen, beleid en rapporten, terwijl een zwakke of onvolledige analyse ver kan doorwerken in die keuzes.
Zo werkt het in de praktijk
Datawetenschap wordt gebruikt in de sterrenkunde en bij kredietrisico. Onderzoekers ontdekten de komeet NEOWISE door gegevens van de ruimtetelescoop Wide-field Infrared Survey Explorer te analyseren. Voorspellende modellen schatten ook het risico van een lening.
In onderzoek vergelijken teams voorspellingen van rekenmodellen met metingen uit experimenten, en toetsen zo een hypothese. In de neurowetenschap onderzoeken getrainde neurale netwerken hoe denkfuncties uit een rekenstructuur kunnen ontstaan. Een goede voorspelling bewijst dat mechanisme niet.
Teams koppelen datamining, een hulpvak van datawetenschap, aan CRISP-DM, een open procesmodel met zes fasen. Die fasen lopen van het begrijpen van de vraag tot het inzetten van het resultaat. De volgorde ligt niet vast, en teams keren terug naar een eerdere fase.




