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

Třídění zdrojů dat

Frekvence výskytu astmatu

Datové typy

Třídění typů dat

Net promoter score

Activity tracker

Ukládání a získávání dat

Cloudové platformy

Dotazování databáze

Který typ databáze?

Datové pipeline

Vlastnosti datových pipeline

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

Úkoly

Nepravda

Pravda

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

Data jsou obvykle připravena k analýze hned, jak jsou k dispozici.

Uspořádaná data (tidy data) mají příznaky jako řádky a pozorování jako sloupce.

Názvy zemí by měly být vždy zkráceny.

Nepřipravená data mohou vést k chybám, zkresleným algoritmům a nesprávným výsledkům.

Odstranění duplicit, ověření datových typů, zpracování chybějících hodnot a zajištění jednotného systému měření jsou součástí přípravy dat.

Chybějící hodnoty jsou oříšek, ale existuje několik způsobů, jak s nimi naložit.

Jsi připraven/a?

Understanding Data Science

Interaktivní praktické cvičení