Kurz zahájíme definicí datové vědy. Projdeme si pracovní postup datového vědce a ukážeme si, jak se datová věda uplatňuje v praxi. Na závěr kapitoly se podíváme na různé role v oblasti datové vědy.

Co je datová věda?

Datová věda všude kolem nás!

Důležitost datové vědy

Aplikace datové vědy

Datová věda v každodenním životě

Věda za chytrými asistenty

Role a nástroje v oblasti datové vědy

Výběr správného kandidáta

Role datového vědce

Úvod do datové vědy

Teď, když rozumíme pracovnímu postupu datového vědce, se ponoříme hlouběji do prvního kroku: sběru a ukládání dat. Dozvíme se o různých zdrojích dat, jak tato data vypadají, jak je po shromáždění ukládat a jak datový pipeline dokáže celý proces zautomatizovat.

Zdroje dat

Požadavky

Firemní data

Otevřená data

Třídění zdrojů dat

Frekvence výskytu astmatu

Datové typy

Možnosti

Kvantitativní data

Kvalitativní data

Třídění typů dat

Net promoter score

Activity tracker

Ukládání a získávání dat

Cloudové platformy

Dotazování databáze

Datové sady

Relační databáze

Dokumentová databáze

Který typ databáze?

Datové pipeline

Vlastnosti datových pipeline

Úlohy

Extract

Transform

Load

Extract Transform Load

Sběr a ukládání dat

Příprava dat je zásadní: datová věda věnuje 80 % času čištění a úpravě dat a pouze 20 % jejich skutečné analýze. V této kapitole se naučíš diagnostikovat problémy v datech, pracovat s chybějícími hodnotami a odlehlými body. Pak se podíváme na vizualizaci – nepostradatelný nástroj jak pro průzkum dat, tak pro prezentaci výsledků.

Příprava dat

Pravda je někde tam venku

Jsi připraven/a?

Explorátorní analýza dat

Numerická EDA

Vizuální EDA

Vizualizace

Interaktivní dashboardy

Vylepšení dashboardu

Příprava, zkoumání a vizualizace

V této závěrečné kapitole se budeme věnovat experimentování a predikcím! Začneme experimenty a A/B testováním, pak přejdeme k prognózování časových řad a predikci budoucích událostí. Na závěr se zaměříme na strojové učení – probereme učení s učitelem a shlukování.

A/B testování

Sestavení postupu A/B testování

Statistická významnost

Průběžné výsledky

Předpovídání časových řad

Rozpoznávání dat časové řady

Interpretace grafu časové řady

Supervised strojové učení

Kdy použít supervised learning

Příznaky a štítky

Vyhodnocení modelu

Clustering

Učení s učitelem vs. bez učitele

Výběr počtu clusterů

Gratulujeme!

Experimentování a predikce

Course Glossary

Co je datová věda, proč je tak populární a proč ji Harvard Business Review označil za „nejsexy práci 21. století"? V tomto netechnickém kurzu se seznámíš se vším, na co ses kdy bál/a zeptat, o tomto rychle rostoucím a vzrušujícím oboru – a to bez jediného řádku kódu. Díky praktickým cvičením se dozvíš o různých rolích datového vědce, základních tématech jako A/B testování, analýza časových řad a strojové učení, a o tom, jak datová věda získává znalosti a poznatky z reálných dat. Nenech se odradit odbornými pojmy. Začni se učit, získej dovednosti v tomto velmi žádaném oboru a zjisti, proč je datová věda pro každého!

Videa obsahují živé přepisy, které najdeš kliknutím na „Zobrazit přepis" v levém dolním rohu videa.

Glosář kurzu najdeš vpravo v sekci se zdroji.

Aby sis získal/a kredity CPE, musíš kurz dokončit a dosáhnout skóre alespoň 70 % v kvalifikovaném hodnocení. K hodnocení se dostaneš kliknutím na upozornění na kredity CPE vpravo.

Objevte, co je datová věda, proč je populární, a naučte se ji s praktickými cvičeními bez kódu.

Understanding Data Science

Úvod do datové vědy bez programování.

Porozumění datovým tématům

Shromáždit nejnovější skladby, které uživatelé poslouchali v mobilní aplikaci

Použít Apple Store API k získání nejnovějších dat o stažení a hodnocení

Sloučit data různých uživatelů do jednoho společného datasetu

Seskupit a uspořádat data o poslechu uživatelů podle interpreta

Uložit data o poslechu do databáze, kterou využívají specialisté na strojové učení k vytváření personalizovaných playlistů

Extract Transform Load

Understanding Data Science

Interaktivní praktické cvičení