به پروسه جمع‎آوری داده برای استفاده در تصمیم‌گیری تجاری، برنامه ریزی استراتژیک، تحقیقات و اهداف دیگر جمع‌آوری داده میگویند. این کار بخش الزامی برای تحلیل داده و تحقیقات روی داده است. جمع‌آوری داده موثر اطلاعاتی را فراهم میکند که به سوالات ما پاسخ دقیق میدهد، کسب و کار را تحلیل میکند و یا به اهداف دیگر ما پاسخ میدهد. اطمینان از صحت داده و کیفیت آنها از چالش های جمع‌آوری داده است.

• Where is Data?
• Why is Data collected?
• Determining what data to collect
• How to collect Data?
• Data Collection Problems

به پروسه آماده‌ کردن داده خام به جهت خوانایی و دقیق بودن برای پردازش ها و تحلیل آماده سازی داده میگویند. از گام های اصلی این کار میتوان به جمع‌آوری از منابع مختلف، استاندار سازی ساختار داده، تمیزکردن(cleaning) و لیبلینگ داده خام اشاره کرد. این کار به شکلی انجام میشود که داده برای الگوریتم‌های یادگیری ماشین، اکتشاف و مصورسازی داده آماده باشد. آماده‌سازی داده میتواند 80 درصد زمان یک پروژه داده ای را به خود اختصاص دهد، و این اهمیت این بخش و اهمیت استفاده از ابزار های بهینه برای این بخش را نشان میدهد.

• Prerequisites to good data preparation
• Dealing with variables
• Sparsity
• Increasing dimensionality
• Missing values
• Outliers
• Normalization, transformation, feature engineering
• Data separation
• Dealing with imbalanced data

اکتشاف داده به رویکرد آنالیز داده ها به قصد خلاصه سازی کارکتر اصلی داده است که اکثرا به کمک نمودار های آماری و روش های مصور‌سازی داده انجام میشود. هدف اصلی اکتشاف‌داده پیدا کردن اطلاعات و ارزش های مخفی درون داده هاست.

• Introduction to Exploratory Data Analysis (EDA)
• EDA with Visualization
• Grouping Data for EDA
• Variable Transformation
• Feature Encoding
• Feature Scaling