論文の概要: Spiral Model Technique For Data Science & Machine Learning Lifecycle

• arxiv url: http://arxiv.org/abs/2510.06987v1
• Date: Wed, 08 Oct 2025 13:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.506177
• Title: Spiral Model Technique For Data Science & Machine Learning Lifecycle
• Title（参考訳）: データサイエンスと機械学習ライフサイクルのためのスパイラルモデル技術
• Authors: Rohith Mahadevan,
• Abstract要約: 本稿では、データサイエンスのライフサイクルを明確な目的を持つビジネス問題に組み込む新しい手法を提案する。 ビジネスプロセスに対する汎用性、アジリティ、反復的アプローチを強調するために、スパイラルテクニックと呼ばれる新しいテクニックが導入されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analytics play an important role in modern business. Companies adapt data science lifecycles to their culture to seek productivity and improve their competitiveness among others. Data science lifecycles are fairly an important contributing factor to start and end a project that are data dependent. Data science and Machine learning life cycles comprises of series of steps that are involved in a project. A typical life cycle states that it is a linear or cyclical model that revolves around. It is mostly depicted that it is possible in a traditional data science life cycle to start the process again after reaching the end of cycle. This paper suggests a new technique to incorporate data science life cycle to business problems that have a clear end goal. A new technique called spiral technique is introduced to emphasize versatility, agility and iterative approach to business processes.
• Abstract（参考訳）: 分析は現代ビジネスにおいて重要な役割を担っている。 企業はデータサイエンスのライフサイクルを自分たちの文化に適応させ、生産性を求め、競争力を向上させる。 データサイエンスのライフサイクルは、データに依存したプロジェクトの開始と終了にかなり重要な要因となります。 データサイエンスと機械学習のライフサイクルは、プロジェクトに関与する一連のステップで構成されます。 典型的なライフサイクルは、それが回転する線形あるいは巡回的なモデルであることを示している。 主に、伝統的なデータサイエンスライフサイクルにおいて、サイクルの終わりに到達した後で再びプロセスを開始することが可能である、と説明されている。 本稿では、データサイエンスのライフサイクルを明確な目的を持つビジネス問題に組み込む新しい手法を提案する。 ビジネスプロセスに対する汎用性、アジリティ、反復的アプローチを強調するために、スパイラルテクニックと呼ばれる新しいテクニックが導入されている。

関連論文リスト

• Why Data Science Projects Fail [0.0]
  Data Scienceは多くのビジネスの中核であり、企業がより効率的にビジネスの課題に対処するスマートな戦略を構築するのを助ける。 データサイエンスの実践は、アルゴリズムを使ってビジネスプロセスを自動化するのにも役立ちます。 データサイエンスに関しては、主に3つの重要な要素がデータサイエンスプロジェクトの効果的な成果に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-08T06:45:15Z)
• Position Paper on Dataset Engineering to Accelerate Science [1.952708415083428]
  この作業では、トークン ittextdataset を使用して、明確に定義されたタスクを実行するために構築されたデータの構造化セットを指定する。 具体的には、科学において、各領域にはデータセットを整理、収集、処理するためのユニークな形態がある。 科学と工学の発見プロセスは、データセット上のそのような組織の必要性の極端な例である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-03-09T19:07:40Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• DC-BENCH: Dataset Condensation Benchmark [79.18718490863908]
  この研究は、データセットの凝縮に関する最初の大規模標準ベンチマークを提供する。 それは、凝縮法の生成可能性と有効性を包括的に反映する一連の評価から成り立っている。 ベンチマークライブラリは、将来の研究とアプリケーションを容易にするためにオープンソース化されている。
  論文  参考訳（メタデータ） (2022-07-20T03:54:05Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Opinionated practices for teaching reproducibility: motivation, guided instruction and practice [0.0]
  予測モデリングは、しばしばデータサイエンスの初心者にとって最も興味深いトピックの1つである。 学生は本質的にこのトピックを学ぶ動機がなく、学ぶのは容易ではない。 余分なモチベーション、指導、多くのプラクティスを提供することが、このトピックを効果的に教える鍵となります。
  論文  参考訳（メタデータ） (2021-09-17T19:15:41Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• A Review into Data Science and Its Approaches in Mechanical Engineering [0.0]
  本稿では,データサイエンスを概説し,その方法について概説する。 はじめに、異なるデータサイエンスの定義とその技術における背景をレビューした。 データサイエンスの手法を研究に用いた機械工学分野のいくつかの研究がレビューされている。
  論文  参考訳（メタデータ） (2020-12-30T23:05:29Z)
• Biases in Data Science Lifecycle [0.0]
  本研究の目的は,データ科学者の実践的ガイドラインを提供し,その意識を高めることである。 この研究では、さまざまなバイアス源をレビューし、データサイエンスライフサイクルの異なる段階の下でグループ化しました。
  論文  参考訳（メタデータ） (2020-09-10T13:41:48Z)
• Data-Driven Aerospace Engineering: Reframing the Industry with Machine Learning [49.367020832638794]
  航空宇宙産業は、ビッグデータと機械学習を収益化しようとしている。 最近のトレンドは、設計、製造、検証、サービスにおける重要な課題の文脈で検討される。
  論文  参考訳（メタデータ） (2020-08-24T22:40:26Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。