Věda za chytrými asistenty

Všiml/a sis někdy, jak se Alexa, Siri nebo Google Assistant zdají být čím dál chytřejší, čím víc je používáš? Nejsou to jen hlasem ovládané gadgety – učí se z tvých zvyků a využívají datovou vědu k tomu, aby ti postupně dávaly lepší odpovědi.

Od nastavování připomínek až po ovládání chytrých zařízení – neustále se zdokonalují, aby předvídaly, co potřebuješ.

Použij interaktivní panel k porovnání čtyř způsobů, jak by mohl systém zlepšovat svůj výkon, a pak odpověz níže.

Která technika datové vědy pomáhá virtuálním asistentům stávat se chytřejšími s každou interakcí?

Toto cvičení je součástí kurzu

Understanding Data Science

Zobrazit kurz

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+

7300 reviews

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

Aktuální cvičení

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 Exercise 15: Gratulujeme!