Si conclude la nostra serie in cui vediamo come usare dati e metriche per rispondere a domande di business e migliorare le nostre conversazioni. Nel quarto articolo parliamo di Probabilistic Forecasting, tramite il quale possiamo fare previsioni di progetti/feature e migliorare le conversazioni con cui prendiamo decisioni di business.
In questa serie vediamo come usare dati e metriche per rispondere a domande di business e migliorare le nostre conversazioni. Nel terzo articolo parliamo di come utilizzare Throughput (quante storie sono completate in un periodo di tempo,p.e. in uno sprint) e Story Health (da quanti giorni è in corso una storia) per migliorare le nostre conversazioni e prendere decisioni di business.
In questo secondo articolo proseguiamo nella nostra ricerca sugli algoritmi di machine learning affrontando un secondo approccio, quello con gli alberi di classificazione e regressione. Vedremo come un algoritmo “tree-based” usa l’albero e la sua struttura per prendere decisioni.
“Quanto tempo ci vuole? Sarà pronto in tempo? Quanto lavoro possiamo completare?”. In questa serie vedremo come usare dati e metriche per rispondere a domande di business come queste e migliorare le nostre conversazioni. Nel secondo articolo parliamo di come utilizzare la metrica Lead Time (quanti giorni ha impiegato una storia per essere completata) per aiutare le nostre decisioni di business.
In questo primo articolo della serie su machine learning, affrontiamo anzitutto il tema della regressione lineare, un meta-algoritmo usato sia in statistica che in machine learning con il medesimo scopo: approssimare con una formula i valori disponibili.
Dopo aver introdotto nel primo articolo alcuni concetti di statistica e il progetto FSDA in generale, in questa seconda parte concentriamo la nostra attenzione su una soluzione tecnica particolare adottata per allestire un sistema di testing automatico per il progetto FSDA.
Negli ultimi anni, il “data mining” ha visto crescere enormemente la sua importanza. In questa miniserie di due articoli, esporremo brevemente i concetti di “statistica robusta” e “outlier” e passeremo poi in rassegna un toolbox sviluppato in MATLAB e usato nell’analisi di queste tematiche.