Výběr počtu clusterů

Crystal má na starosti provoz služby rozvážky jídla v Houstonu v Texasu. Za poslední měsíc shromáždila data o zeměpisné šířce a délce jednotlivých objednávek a teď by ráda vytvořila několik nových „rozvázkových center" v místech s největší poptávkou. Za tímto účelem požádala odborníka na strojové učení, aby pomocí shlukového algoritmu rozdělil objednávky do skupin podle jejich polohy.

Odborník si ale není jistý, kolik clusterů zvolit. Prohlédni si výsledky shlukového algoritmu pro různé počty clusterů.

Jaký počet clusterů je nejvhodnější?

Toto cvičení je součástí kurzu

Understanding Data Science

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Understanding Data Science

SkillTag.level.beginnerSkillTag.label

4.8+

Začněte kurz zdarma

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.

Exercise 1: Co je datová věda?Exercise 2: Datová věda všude kolem nás!Exercise 3: Důležitost datové vědy Exercise 4: Aplikace datové vědy Exercise 5: Datová věda v každodenním životě Exercise 6: Věda za chytrými asistenty Exercise 7: Role a nástroje v oblasti datové vědy Exercise 8: Výběr správného kandidáta Exercise 9: Role datového vědce

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.

Exercise 1: Zdroje dat Exercise 2: Třídění zdrojů dat Exercise 3: Frekvence výskytu astmatu Exercise 4: Datové typy Exercise 5: Třídění typů dat Exercise 6: Net promoter score Exercise 7: Activity tracker Exercise 8: Ukládání a získávání dat Exercise 9: Cloudové platformy Exercise 10: Dotazování databáze Exercise 11: Který typ databáze?Exercise 12: Datové pipeline Exercise 13: Vlastnosti datových pipeline Exercise 14: Extract Transform Load

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.

Exercise 1: Příprava dat Exercise 2: Pravda je někde tam venku Exercise 3: Jsi připraven/a?Exercise 4: Explorátorní analýza dat Exercise 5: Numerická EDA Exercise 6: Vizuální EDA Exercise 7: Vizualizace Exercise 8: Interaktivní dashboardy Exercise 9: Vylepšení dashboardu

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.

Exercise 1: A/B testování Exercise 2: Sestavení postupu A/B testování Exercise 3: Statistická významnost Exercise 4: Průběžné výsledky Exercise 5: Předpovídání časových řad Exercise 6: Rozpoznávání dat časové řady Exercise 7: Interpretace grafu časové řady Exercise 8: Supervised strojové učení Exercise 9: Kdy použít supervised learning Exercise 10: Příznaky a štítky Exercise 11: Vyhodnocení modelu Exercise 12: Clustering Exercise 13: Učení s učitelem vs. bez učitele Exercise 14: Výběr počtu clusterů

Aktuální cvičení

Exercise 15: Gratulujeme!