Vyhodnocení modelu

Karina vyhodnocuje tři různé modely strojového učení s učitelem pro odhalování podvodných bankovních transakcí. Karina ví, že jednou ze slabin trénovacích dat je výrazná převaha příkladů platných transakcí oproti podvodným.

Vpravo vidíš, jak každý model předpovídal, zda je transakce podvodná nebo platná, v porovnání s tím, jak to ve skutečnosti bylo.

Který model je podle těchto dat nejlepší a proč?

Toto cvičení je součástí kurzu

Data Science pro byznys

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Data Science pro byznys

SkillTag.level.beginnerSkillTag.label

4.8+

Začněte kurz zdarma

Kurz začneme tím, že si vymezíme, co data science vlastně je. Projdeme si pracovní postup v data science a ukážeme si, jak se data science uplatňuje při řešení reálných obchodních problémů. Kapitolu zakončíme tím, jak strukturovat datový tým tak, aby odpovídal potřebám tvé organizace.

Exercise 1: Co je datová věda?Exercise 2: Workflow segmentace zákazníků Exercise 3: Vytvoření chatbota pro zákaznickou podporu Exercise 4: Vylepšení OKR Exercise 5: Aplikace datové vědy Exercise 6: Přiřazování projektů datové vědy Exercise 7: Investiční průzkum Exercise 8: Sestavení datového týmu Exercise 9: Jak číst sprint týmu Exercise 10: Úprava pracovního inzerátu Exercise 11: Přiřazování dovedností k pracovním pozicím Exercise 12: Přiřazení datových úkolů

Teď, když rozumíme pracovnímu postupu v data science, se ponoříme hlouběji do prvního kroku: sběru dat. Seznámíme se s různými datovými zdroji, ze kterých může tvoje firma čerpat, a dozvíme se, jak tato data po shromáždění ukládat.

Exercise 1: Zdroje dat a rizika Exercise 2: Klasifikace dat z hlediska bezpečnosti Exercise 3: Vytváření webových událostí Exercise 4: Ochrana osobních údajů (PII)Exercise 5: Vyžádaná data Exercise 6: Určování účelu otázek Exercise 7: Ověření zpětné vazby z focus group Exercise 8: Net Promoter Score Exercise 9: Shromažďování dalších dat Exercise 10: Třídění zdrojů dat Exercise 11: Výskyt astmatu Exercise 12: Ukládání a načítání dat Exercise 13: Cloudové platformy Exercise 14: Dotazování databáze Exercise 15: Jaký typ databáze?

V této kapitole se podíváme na způsoby, jak zkoumat a vizualizovat data pomocí dashboardů. Probereme, z čeho se dashboard skládá a jak správně formulovat požadavek na jeho vytvoření. Kapitola se také věnuje ad hoc datovým požadavkům a A/B testům – mocnému analytickému nástroji, který pomáhá snižovat rizika při rozhodování.

Exercise 1: Dashboardy Exercise 2: Klasifikace prvků dashboardu Exercise 3: Vylepšení dashboardu Exercise 4: Výběr správného dashboardu Exercise 5: Ad hoc analýza Exercise 6: Vyplnění ad hoc požadavku Exercise 7: Třídění požadavků Exercise 8: A/B testování Exercise 9: Vytvoření A/B testovacího postupu Exercise 10: Velikost vzorku Exercise 11: Průběžné výsledky

V závěrečné kapitole se zaměříme na jedno z nejžhavějších témat data science: strojové učení! Probereme supervised a unsupervised strojové učení a clustering. Pak přejdeme ke speciálním tématům – předpovědím časových řad, zpracování přirozeného jazyka, deep learningu a vysvětlitelné AI!

Exercise 1: Supervised machine learning Exercise 2: Kdy použít Supervised Learning Exercise 3: Příznaky a štítky Exercise 4: Vyhodnocení modelu

Aktuální cvičení

Exercise 5: Shlukování Exercise 6: Řízené vs. neřízené učení Exercise 7: Výběr počtu clusterů Exercise 8: Speciální témata v Machine Learningu Exercise 9: Klasifikace úloh strojového učení Exercise 10: Analýza sentimentu Exercise 11: Deep Learning a vysvětlitelná AI Exercise 12: Hledání správného řešení Exercise 13: Mám použít Deep Learning?