{"id":476700,"date":"2023-08-09T07:35:16","date_gmt":"2023-08-09T07:35:16","guid":{"rendered":""},"modified":"2023-09-05T11:13:17","modified_gmt":"2023-09-05T11:13:17","slug":"data-science","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/pl\/wiki\/data-science\/","title":{"rendered":"Nauka o danych"},"content":{"rendered":"

Historia powstania Data Science i pierwsze wzmianki o niej.<\/h2>\n

Data Science, multidyscyplinarna dziedzina zajmuj\u0105ca si\u0119 wydobywaniem wiedzy i spostrze\u017ce\u0144 z ogromnych ilo\u015bci danych, ma bogat\u0105 histori\u0119 si\u0119gaj\u0105c\u0105 wczesnych lat sze\u015b\u0107dziesi\u0105tych XX wieku. Jego podwaliny stworzyli statystycy i informatycy, kt\u00f3rzy dostrzegli potencja\u0142 stosowania podej\u015b\u0107 opartych na danych do rozwi\u0105zywania z\u0142o\u017conych problem\u00f3w i podejmowania \u015bwiadomych decyzji.<\/p>\n

Jedn\u0105 z najwcze\u015bniejszych wzmianek o Data Science mo\u017cna przypisa\u0107 Johnowi W. Tukeyowi, ameryka\u0144skiemu matematykowi i statystykowi, kt\u00f3ry w 1962 roku u\u017cy\u0142 terminu \u201eanaliza danych\u201d. Koncepcja ewoluowa\u0142a wraz z pojawieniem si\u0119 komputer\u00f3w i powstaniem Big Data. , zyskuj\u0105c popularno\u015b\u0107 w r\u00f3\u017cnych dziedzinach pod koniec XX wieku.<\/p>\n

Szczeg\u00f3\u0142owe informacje o Data Science: Rozszerzenie tematu Data Science.<\/h2>\n

Data Science to multidyscyplinarna dziedzina, kt\u00f3ra \u0142\u0105czy w sobie elementy statystyki, informatyki, uczenia maszynowego, wiedzy dziedzinowej i in\u017cynierii danych. Jego g\u0142\u00f3wnym celem jest wydobycie znacz\u0105cych spostrze\u017ce\u0144, wzorc\u00f3w i wiedzy z rozleg\u0142ych i r\u00f3\u017cnorodnych zbior\u00f3w danych. Proces ten obejmuje kilka etap\u00f3w, obejmuj\u0105cych gromadzenie danych, czyszczenie, analiz\u0119, modelowanie i interpretacj\u0119.<\/p>\n

Kluczowe etapy typowego przep\u0142ywu pracy zwi\u0105zanego z nauk\u0105 o danych obejmuj\u0105:<\/p>\n

    \n
  1. \n

    Gromadzenie danych: Gromadzenie danych z r\u00f3\u017cnych \u017ar\u00f3de\u0142, takich jak bazy danych, interfejsy API, strony internetowe, czujniki i inne.<\/p>\n<\/li>\n

  2. \n

    Czyszczenie danych: wst\u0119pne przetwarzanie i przekszta\u0142canie surowych danych w celu usuni\u0119cia b\u0142\u0119d\u00f3w, niesp\u00f3jno\u015bci i nieistotnych informacji.<\/p>\n<\/li>\n

  3. \n

    Analiza danych: eksploracyjna analiza danych (EDA) w celu odkrycia wzorc\u00f3w, korelacji i trend\u00f3w w danych.<\/p>\n<\/li>\n

  4. \n

    Uczenie maszynowe: stosowanie algorytm\u00f3w i modeli do przewidywania lub klasyfikowania danych na podstawie wzorc\u00f3w zidentyfikowanych podczas analizy.<\/p>\n<\/li>\n

  5. \n

    Wizualizacja: Wizualne przedstawienie danych i wynik\u00f3w analiz w celu u\u0142atwienia lepszego zrozumienia i komunikacji.<\/p>\n<\/li>\n

  6. \n

    Interpretacja i podejmowanie decyzji: wyci\u0105ganie wniosk\u00f3w z analizy w celu podejmowania decyzji opartych na danych i rozwi\u0105zywania problem\u00f3w w \u015bwiecie rzeczywistym.<\/p>\n<\/li>\n<\/ol>\n

    Wewn\u0119trzna struktura Data Science: Jak dzia\u0142a Data Science.<\/h2>\n

    W swej istocie Data Science obejmuje integracj\u0119 trzech g\u0142\u00f3wnych komponent\u00f3w:<\/p>\n

      \n
    1. \n

      Wiedza domenowa<\/strong>: Zrozumienie konkretnej domeny lub bran\u017cy, dla kt\u00f3rej przeprowadzana jest analiza danych. Bez wiedzy dziedzinowej interpretacja wynik\u00f3w i identyfikacja odpowiednich wzorc\u00f3w staje si\u0119 wyzwaniem.<\/p>\n<\/li>\n

    2. \n

      Matematyka i statystyka<\/strong>: Nauka o danych w du\u017cym stopniu opiera si\u0119 na koncepcjach matematycznych i statystycznych do modelowania danych, testowania hipotez, analizy regresji i nie tylko. Metody te stanowi\u0105 solidn\u0105 podstaw\u0119 do dokonywania dok\u0142adnych przewidywa\u0144 i wyci\u0105gania znacz\u0105cych wniosk\u00f3w.<\/p>\n<\/li>\n

    3. \n

      Informatyka i programowanie<\/strong>: Mo\u017cliwo\u015b\u0107 pracy z du\u017cymi zbiorami danych wymaga silnych umiej\u0119tno\u015bci programowania. Naukowcy zajmuj\u0105cy si\u0119 danymi korzystaj\u0105 z j\u0119zyk\u00f3w takich jak Python, R czy Julia, aby efektywnie przetwarza\u0107 dane i wdra\u017ca\u0107 algorytmy uczenia maszynowego.<\/p>\n<\/li>\n<\/ol>\n

      Iteracyjny charakter nauki o danych obejmuje ci\u0105g\u0142\u0105 informacj\u0119 zwrotn\u0105 i ulepszenia procesu, co czyni j\u0105 dziedzin\u0105 adaptacyjn\u0105 i ewoluuj\u0105c\u0105.<\/p>\n

      Analiza kluczowych cech Data Science.<\/h2>\n

      Data Science oferuje szerok\u0105 gam\u0119 zalet i funkcji, kt\u00f3re czyni\u0105 j\u0105 niezast\u0105pion\u0105 w dzisiejszym \u015bwiecie opartym na danych:<\/p>\n

        \n
      1. \n

        Podejmowanie decyzji w oparciu o dane<\/strong>: Data Science umo\u017cliwia organizacjom opieranie swoich decyzji na dowodach empirycznych, a nie na intuicji, co prowadzi do bardziej \u015bwiadomych i strategicznych wybor\u00f3w.<\/p>\n<\/li>\n

      2. \n

        Analityka predykcyjna<\/strong>: Wykorzystuj\u0105c dane i wzorce historyczne, nauka o danych umo\u017cliwia dok\u0142adne prognozy, umo\u017cliwiaj\u0105c proaktywne planowanie i ograniczanie ryzyka.<\/p>\n<\/li>\n

      3. \n

        Rozpoznawanie wzorc\u00f3w<\/strong>: Analiza danych pomaga zidentyfikowa\u0107 ukryte wzorce i trendy w danych, co mo\u017ce ujawni\u0107 nowe mo\u017cliwo\u015bci biznesowe i potencjalne obszary wymagaj\u0105ce ulepsze\u0144.<\/p>\n<\/li>\n

      4. \n

        Automatyzacja i wydajno\u015b\u0107<\/strong>: Dzi\u0119ki automatyzacji powtarzalnych zada\u0144 za pomoc\u0105 algorytm\u00f3w uczenia maszynowego Data Science optymalizuje procesy i poprawia wydajno\u015b\u0107.<\/p>\n<\/li>\n

      5. \n

        Personalizacja<\/strong>: Data Science zapewnia spersonalizowane do\u015bwiadczenia u\u017cytkownik\u00f3w, takie jak ukierunkowane reklamy, rekomendacje produkt\u00f3w i sugestie dotycz\u0105ce tre\u015bci.<\/p>\n<\/li>\n<\/ol>\n

        Rodzaje nauki o danych: klasyfikacja w tabelach i listach.<\/h2>\n

        Nauka o danych obejmuje r\u00f3\u017cne poddziedziny, z kt\u00f3rych ka\u017cda s\u0142u\u017cy konkretnym celom i koncentruje si\u0119 na odr\u0119bnych technikach i metodologiach. Oto kilka kluczowych typ\u00f3w analityki danych:<\/p>\n\n\n\n\n\n\n\n\n\n\n
        Rodzaj nauki o danych<\/th>\nOpis<\/th>\n<\/tr>\n<\/thead>\n
        Analityka opisowa<\/strong><\/td>\nAnalizowanie danych z przesz\u0142o\u015bci, aby zrozumie\u0107, co si\u0119 sta\u0142o i dlaczego.<\/td>\n<\/tr>\n
        Analityka diagnostyczna<\/strong><\/td>\nBadanie danych historycznych w celu ustalenia przyczyny okre\u015blonych zdarze\u0144 lub zachowa\u0144.<\/td>\n<\/tr>\n
        Analityka predykcyjna<\/strong><\/td>\nWykorzystanie danych historycznych do przewidywania przysz\u0142ych wynik\u00f3w.<\/td>\n<\/tr>\n
        Analityka preskrypcyjna<\/strong><\/td>\nSugerowanie najlepszego sposobu dzia\u0142ania w oparciu o modele predykcyjne i techniki optymalizacji.<\/td>\n<\/tr>\n
        Nauczanie maszynowe<\/strong><\/td>\nTworzenie i wdra\u017canie algorytm\u00f3w, kt\u00f3re ucz\u0105 si\u0119 na podstawie danych w celu przewidywania lub podejmowania dzia\u0142a\u0144.<\/td>\n<\/tr>\n
        Przetwarzanie j\u0119zyka naturalnego (NLP)<\/strong><\/td>\nKoncentruj\u0105c si\u0119 na interakcji mi\u0119dzy komputerami a j\u0119zykiem ludzkim, umo\u017cliwiaj\u0105c zrozumienie i generowanie j\u0119zyka.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

        Sposoby wykorzystania Data Science, problemy i ich rozwi\u0105zania zwi\u0105zane z wykorzystaniem.<\/h2>\n

        Data Science znajduje zastosowanie w wielu bran\u017cach i dziedzinach, zmieniaj\u0105c spos\u00f3b dzia\u0142ania przedsi\u0119biorstw i funkcjonowania spo\u0142ecze\u0144stw. Niekt\u00f3re typowe przypadki u\u017cycia obejmuj\u0105:<\/p>\n

          \n
        1. \n

          Opieka zdrowotna<\/strong>: Analiza danych pomaga w przewidywaniu chor\u00f3b, odkrywaniu lek\u00f3w, optymalizacji opieki nad pacjentem i zarz\u0105dzaniu dokumentacj\u0105 medyczn\u0105.<\/p>\n<\/li>\n

        2. \n

          Finanse<\/strong>: Umo\u017cliwia wykrywanie oszustw, ocen\u0119 ryzyka, handel algorytmiczny i ocen\u0119 zdolno\u015bci kredytowej klient\u00f3w.<\/p>\n<\/li>\n

        3. \n

          Marketing<\/strong>: Data Science umo\u017cliwia ukierunkowan\u0105 reklam\u0119, segmentacj\u0119 klient\u00f3w i optymalizacj\u0119 kampanii.<\/p>\n<\/li>\n

        4. \n

          Transport<\/strong>: Przyczynia si\u0119 do optymalizacji tras, przewidywania popytu i konserwacji pojazd\u00f3w.<\/p>\n<\/li>\n

        5. \n

          Edukacja<\/strong>: Data Science usprawnia uczenie si\u0119 adaptacyjne, analiz\u0119 wydajno\u015bci i spersonalizowane do\u015bwiadczenia edukacyjne.<\/p>\n<\/li>\n<\/ol>\n

          Jednak nauka o danych stoi r\u00f3wnie\u017c przed wyzwaniami, takimi jak obawy dotycz\u0105ce prywatno\u015bci danych, problemy z jako\u015bci\u0105 danych i wzgl\u0119dy etyczne. Rozwi\u0105zanie tych problem\u00f3w wymaga solidnego zarz\u0105dzania danymi, przejrzysto\u015bci i przestrzegania wytycznych etycznych.<\/p>\n

          G\u0142\u00f3wne cechy i inne por\u00f3wnania z podobnymi terminami w formie tabel i list.<\/h2>\n\n\n\n\n\n\n\n
          Charakterystyka<\/th>\nNauka o danych<\/th>\nAnaliza danych<\/th>\nNauczanie maszynowe<\/th>\n<\/tr>\n<\/thead>\n
          Centrum<\/strong><\/td>\nWyci\u0105gaj wnioski z danych, prognozuj i podejmuj decyzje.<\/td>\nAnalizuj i interpretuj dane, aby wyci\u0105ga\u0107 znacz\u0105ce wnioski.<\/td>\nOpracuj algorytmy, kt\u00f3re ucz\u0105 si\u0119 na podstawie danych i prognozuj\u0105.<\/td>\n<\/tr>\n
          Rola<\/strong><\/td>\nMultidyscyplinarna dziedzina obejmuj\u0105ca statystyk\u0119, informatyk\u0119 i wiedz\u0119 dziedzinow\u0105.<\/td>\nCz\u0119\u015b\u0107 Data Science, kt\u00f3ra koncentruje si\u0119 na badaniu i interpretacji danych.<\/td>\nPodzbi\u00f3r nauki o danych, kt\u00f3ry koncentruje si\u0119 na opracowywaniu modeli predykcyjnych przy u\u017cyciu algorytm\u00f3w.<\/td>\n<\/tr>\n
          Zamiar<\/strong><\/td>\nRozwi\u0105zuj z\u0142o\u017cone problemy, odkrywaj wzorce i wprowadzaj innowacje dzi\u0119ki danym.<\/td>\nZrozum dane historyczne, identyfikuj trendy i wyci\u0105gaj wnioski.<\/td>\nTw\u00f3rz algorytmy, kt\u00f3re ucz\u0105 si\u0119 na podstawie danych i dokonuj\u0105 przewidywa\u0144 lub decyzji.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

          Perspektywy i technologie przysz\u0142o\u015bci zwi\u0105zane z Data Science.<\/h2>\n

          Przysz\u0142o\u015b\u0107 Data Science wygl\u0105da obiecuj\u0105co, a jej rozw\u00f3j kszta\u0142tuje kilka kluczowych technologii i trend\u00f3w:<\/p>\n

            \n
          1. \n

            Post\u0119p w zakresie du\u017cych zbior\u00f3w danych<\/strong>: W miar\u0119 wyk\u0142adniczego wzrostu ilo\u015bci danych technologie s\u0142u\u017c\u0105ce do obs\u0142ugi, przechowywania i analizowania du\u017cych zbior\u00f3w danych stan\u0105 si\u0119 jeszcze wa\u017cniejsze.<\/p>\n<\/li>\n

          2. \n

            Sztuczna inteligencja (AI)<\/strong>: Sztuczna inteligencja odegra znacz\u0105c\u0105 rol\u0119 w automatyzacji r\u00f3\u017cnych etap\u00f3w przep\u0142ywu pracy w obszarze Data Science, czyni\u0105c go bardziej wydajnym i wydajnym.<\/p>\n<\/li>\n

          3. \n

            Przetwarzanie brzegowe<\/strong>: Wraz z rozwojem urz\u0105dze\u0144 Internetu rzeczy (IoT) przetwarzanie danych na brzegach sieci stanie si\u0119 coraz bardziej powszechne, co zmniejszy op\u00f3\u017anienia i usprawni analiz\u0119 w czasie rzeczywistym.<\/p>\n<\/li>\n

          4. \n

            Wyja\u015bnialna sztuczna inteligencja<\/strong>: W miar\u0119 jak algorytmy sztucznej inteligencji staj\u0105 si\u0119 coraz bardziej z\u0142o\u017cone, b\u0119dzie ros\u0142o zapotrzebowanie na wyja\u015bnialn\u0105 sztuczn\u0105 inteligencj\u0119, kt\u00f3ra zapewnia przejrzyste i mo\u017cliwe do interpretacji wyniki.<\/p>\n<\/li>\n

          5. \n

            Prywatno\u015b\u0107 danych i etyka<\/strong>: Wraz ze wzrostem \u015bwiadomo\u015bci spo\u0142ecznej przepisy dotycz\u0105ce prywatno\u015bci danych i wzgl\u0119dy etyczne b\u0119d\u0105 kszta\u0142towa\u0107 spos\u00f3b, w jaki praktykowana jest nauka o danych.<\/p>\n<\/li>\n<\/ol>\n

            W jaki spos\u00f3b serwery proxy mog\u0105 by\u0107 wykorzystywane lub powi\u0105zane z nauk\u0105 o danych.<\/h2>\n

            Serwery proxy odgrywaj\u0105 znacz\u0105c\u0105 rol\u0119 w nauce o danych, szczeg\u00f3lnie w gromadzeniu danych i przegl\u0105daniu stron internetowych. Dzia\u0142aj\u0105 jako po\u015brednicy mi\u0119dzy u\u017cytkownikiem a Internetem, umo\u017cliwiaj\u0105c badaczom danych dost\u0119p do danych ze stron internetowych i wydobywanie ich bez ujawniania ich rzeczywistych adres\u00f3w IP.<\/p>\n

            Oto kilka sposob\u00f3w \u0142\u0105czenia serwer\u00f3w proxy z Data Science:<\/p>\n

              \n
            1. \n

              Skrobanie sieci<\/strong>: Serwery proxy umo\u017cliwiaj\u0105 badaczom danych pobieranie danych ze stron internetowych na du\u017c\u0105 skal\u0119 bez blokowania przez \u015brodki zapobiegaj\u0105ce skrobaniu.<\/p>\n<\/li>\n

            2. \n

              Anonimowo\u015b\u0107 i prywatno\u015b\u0107<\/strong>: Korzystaj\u0105c z serwer\u00f3w proxy, badacze danych mog\u0105 maskowa\u0107 swoj\u0105 to\u017csamo\u015b\u0107 i chroni\u0107 swoj\u0105 prywatno\u015b\u0107 podczas uzyskiwania dost\u0119pu do wra\u017cliwych danych lub wysy\u0142ania \u017c\u0105da\u0144 online.<\/p>\n<\/li>\n

            3. \n

              Rozproszone przetwarzanie danych<\/strong>: Serwery proxy u\u0142atwiaj\u0105 przetwarzanie rozproszone, w kt\u00f3rym wiele serwer\u00f3w wsp\u00f3\u0142pracuje przy zadaniach zwi\u0105zanych z analiz\u0105 danych, zwi\u0119kszaj\u0105c moc obliczeniow\u0105 i wydajno\u015b\u0107.<\/p>\n<\/li>\n

            4. \n

              Monitorowanie danych<\/strong>: Naukowcy zajmuj\u0105cy si\u0119 danymi mog\u0105 u\u017cywa\u0107 serwer\u00f3w proxy do monitorowania stron internetowych i platform internetowych pod k\u0105tem zmian lub aktualizacji, dostarczaj\u0105c dane do analizy w czasie rzeczywistym.<\/p>\n<\/li>\n<\/ol>\n

              Powi\u0105zane linki<\/h2>\n

              Wi\u0119cej informacji na temat nauki o danych mo\u017cna znale\u017a\u0107 w nast\u0119puj\u0105cych zasobach:<\/p>\n

                \n
              1. DataCamp \u2013 kursy z zakresu analityki danych<\/a><\/li>\n
              2. Kaggle \u2014 spo\u0142eczno\u015b\u0107 i konkursy zwi\u0105zane z nauk\u0105 o danych<\/a><\/li>\n
              3. W stron\u0119 nauki o danych \u2013 publikacja dotycz\u0105ca nauki o danych<\/a><\/li>\n
              4. Data Science Central \u2013 zasoby internetowe dotycz\u0105ce nauki o danych<\/a><\/li>\n<\/ol>\n

                Podsumowuj\u0105c, nauka o danych to stale rozwijaj\u0105ca si\u0119 dziedzina, kt\u00f3ra umo\u017cliwia organizacjom i osobom indywidualnym uwolnienie potencja\u0142u ich danych. Dzi\u0119ki multidyscyplinarnemu podej\u015bciu i rosn\u0105cemu post\u0119powi technologicznemu Data Science w dalszym ci\u0105gu kszta\u0142tuje spos\u00f3b, w jaki rozumiemy, analizujemy i wykorzystujemy dane, aby podejmowa\u0107 \u015bwiadome decyzje i nap\u0119dza\u0107 innowacje w r\u00f3\u017cnych bran\u017cach. Serwery proxy odgrywaj\u0105 kluczow\u0105 rol\u0119 w u\u0142atwianiu dost\u0119pu do danych i ich gromadzeniu na potrzeby zada\u0144 zwi\u0105zanych z nauk\u0105 o danych, co czyni je niezb\u0119dnymi narz\u0119dziami dla wielu badaczy danych. W miar\u0119 jak patrzymy w przysz\u0142o\u015b\u0107, wp\u0142yw nauki o danych na spo\u0142ecze\u0144stwo z pewno\u015bci\u0105 b\u0119dzie si\u0119 zwi\u0119ksza\u0142, otwieraj\u0105c nowe mo\u017cliwo\u015bci i mo\u017cliwo\u015bci rozwoju.<\/p>","protected":false},"featured_media":468143,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-476700","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about Data Science: Unraveling the Art of Information<\/mark>","faq_items":[{"question":"What is Data Science and its history?","answer":"

                Data Science is a multidisciplinary field that aims to extract valuable insights and knowledge from vast amounts of data. It combines elements of statistics, computer science, domain expertise, and data engineering to analyze and interpret data, make predictions, and drive data-driven decision-making. Its history dates back to the early 1960s when statisticians and computer scientists recognized the potential of using data-driven approaches to solve complex problems.<\/p>"},{"question":"How does Data Science work?","answer":"

                Data Science involves several stages, including data collection, data cleaning, data analysis, machine learning, and data visualization. Data is gathered from various sources, cleaned to remove errors and inconsistencies, and then analyzed to uncover patterns and trends. Machine learning algorithms are applied to make predictions based on historical data. Finally, the results are visually represented to facilitate better understanding and communication.<\/p>"},{"question":"What are the key features of Data Science?","answer":"

                Data Science offers numerous advantages, including data-driven decision-making, predictive analytics, pattern recognition, automation, and personalization. It empowers businesses to make informed choices based on empirical evidence, predict future outcomes accurately, identify hidden patterns, optimize processes through automation, and personalize user experiences.<\/p>"},{"question":"What are the types of Data Science?","answer":"

                Data Science encompasses various subfields, such as Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics, Machine Learning, and Natural Language Processing (NLP). Each type serves a specific purpose and involves different techniques and methodologies.<\/p>"},{"question":"How is Data Science used in different industries?","answer":"

                Data Science finds applications in various industries. In healthcare, it aids in disease prediction and drug discovery. In finance, it powers fraud detection and algorithmic trading. In marketing, it enables targeted advertising and customer segmentation. It also contributes to transportation, education, and many other sectors.<\/p>"},{"question":"What challenges does Data Science face?","answer":"

                Data Science faces challenges like data privacy concerns, data quality issues, and ethical considerations. Addressing these problems requires robust data governance, transparency, and adherence to ethical guidelines.<\/p>"},{"question":"What does the future hold for Data Science?","answer":"

                The future of Data Science looks promising with advancements in Big Data handling, AI automation, edge computing, explainable AI, and a focus on data privacy and ethics. These trends will shape the way Data Science is practiced and drive further innovation.<\/p>"},{"question":"How are proxy servers associated with Data Science?","answer":"

                Proxy servers play a crucial role in Data Science by enabling efficient data collection and web scraping. They allow Data Scientists to access websites without revealing their actual IP addresses, ensuring anonymity and privacy during data acquisition.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/476700","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/wiki\/476700\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media\/468143"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/pl\/wp-json\/wp\/v2\/media?parent=476700"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}