Business Analytik pre Data Science II.
- Level
- Kapitol
- 80
- Kategória
- Programovanie
- Hodnotenie
- 5,0 z 5
- Dĺžka
- 8h 11min
- Jazyk
- SK
Popis kurzu Business Analytik pre Data Science 2 (machine learning)
Ste pripravení prehĺbiť svoje vedomosti o Data Science? V tomto kurze sa naučíte vytvárať atribúty pre machine learningové modely, pochopíte princípy strojového učenia, spoznáte rôzne rodiny modelov a naučíte sa ich správne používať. Taktiež pochopíte ako vyhodnotiť kvalitu prediktívnych modelov a ako vyzerá proces nasadenia modelu do reálneho sveta, v ktorom môže byť využívaný a prinášať skutočnú hodnotu.
Upozornenie: V tomto kurze sa NEbudeme učiť “hands-on” Data Science. Tento kurz je pre Vás teda vhodný aj keď nemáte v budúcnosti plány programovať v Pythone alebo SQL-ku. Ak takéto plány máte, tak Vás kurz naučí mnoho veľmi potrebných konceptov, ktoré v budúcnosti určite aj prakticky implementujete. Tento kurz je prirodzeným pokračovaním kurzu Business Analytik pre Data Science 1 (definovanie projektu).
Čo sa v kurze Business Analytik pre Data Science 2 naučíte?
Prejdime si jednotlivými kapitolami, ktoré na Vás v kurze Business Analytik pre Data Science II. čakajú:
Inferencia a prediktívne modelovanie
Keď už máme poňatie o našich dátach, využitie machine learningu a prediktívneho modelovania môže byť hodnotné. V tejto časti kurzu si uvedieme základné princípy prediktívneho modelovania. Napríklad, povieme si prečo je dôležité nechať si časť našich historických dát “bokom” a neučiť sa z nich (takzvaný holdout set). Existujú taktiež rôzne filozofie využitia prediktívnych modelov - môžeme sa, napríklad, snažiť o vytvorenie jednoduchého modelu alebo modelu, ktorý bude mať veľmi vysokú presnosť. Existuje veľa rôznych “rodín” modelov strojového učenia, ktoré môžeme použiť, a preto si ich predstavíme (PS: toto je naozaj zábavná časť kurzu :) ). Predstavíme si lineárne modely, rozhodovacie stromy, náhodné lesy a dokonca aj neurónové siete! Všetky tieto znalosti použijeme v nasledujúcej časti kurzu.
Klasifikačné a regresné problémy
Je čas ísť do hĺbky strojového učenia a prediktívneho modelovania. Zameriame sa na dva základné problémy, s ktorými sa pri supervised learningu môžeme stretnúť. Tými sú klasifikačný a regresný problém. Na vyriešenie klasifikačného problému vybudujeme rozhodovací strom a na vyriešenie regresného problému zas lineárnu regresiu. V oboch prípadoch sa pozrieme do srdca týchto machine learningových modelov, kde sa nachádza takzvaná “cost function”. No a nakoniec sa musíme zamyslieť ako vyhodnotiť presnosť a úspešnosť týchto modelov. Povieme si teda, napríklad, o nástrojoch ako “confusion matrix” alebo “residual analysis”.
Uvedenie modelu “do produkcie”
Počas kurzu sme už vytvorili rôzne modely Data Science - od vizualizácií až po modely strojového učenia. Ak ich však necháme takpovediac “na papieri”, tak z nich, samozrejme, žiadny úžitok nebude. Potrebujeme ich využívať v praxi a dať ich do produkcie. Tento posledný krok však nie je úplne priamočiary. Náš model potrebujeme chápať ako experiment a rátať napríklad s tým, že sa rôzne veci môžu pokaziť. Nemusíte sa však báť, o všetkom podstatnom si povieme v poslednej časti kurzu!
Čo po kurze Business Analytik pre Data Science II. dokážete a čo si odnesiete?
- Znalosť o základných princípoch prediktívneho modelovania - napríklad, čo je to holdout set alebo aký je rozdiel medzi “statistical learning” a “machine learning”.
- Vedomosť o srdci každého prediktívneho modelu - “cost function” a ako ju model využíva pri učení sa z dát.
- Základnú znalosť o lineárnych modeloch, neurónových sieťach, rozhodovacích stromoch, distance-based modeloch, ensemble modeloch, algoritmoch na detekciu anomálií a redukciu dimenzionality.
- Schopnosť vyhodnotiť kvalitu klasifikačného a regresného modelu.
- Základnú znalosť o procese nasadzovania machine learning modelu do reálneho sveta.
Má kurz Business Analytika pre Data Science II. vstupné požiadavky?
Základná znalosť princípov Data Science. Môžete ju získať, napríklad, pomocou nášho kurzu Spoznaj Data Science a Business Analytik pre Data Science 1 (definovanie projektu). Ak ste tieto kurzy neabsolvovali tak je dôležité, aby ste:
- zvládali stredoškolskú matematiku,
- vedeli základné informácie o tom, čo je data science, machine learning, databáza alebo štatistika,
- vedeli o základných štatistických nástrojoch ako počítanie priemeru alebo smerodajnej odchýlky,
Žiadne technické znalosti (ako napríklad programovanie v Pythone) nie sú potrebné.
Čo všetko v kurze Business Analytik pre Data Science II. dostanete?
- videotutoriály o Business Analytik pre Data Science 2 (machine learning),
- moderované diskusné fórum, v ktorom na vaše otázky odpovedá lektor Róbert Barcík,
- certifikát o absolvovaní online kurzu Business Analytik pre Data Science 2 (machine learning),
- garancia vrátenia peňazí do 14 dní v prípade nespokojnosti s kurzom.
Kapitoly online kurzu
Vitajte v kurze (1)
O tomto kurze
4:12
Vytváranie a vyberanie atribútov (16)
Čo je vytváranie atribútov?
4:54
Prehľad typov atribútov
10:57
Vytváranie numerických atribútov 1
6:33
Vytváranie numerických atribútov 2
6:35
Vytváranie kategorických atribútov
3:59
Atribúty času a dátumu
5:16
Vytváranie atribútov pomocou agregácie
7:03
Chýbajúce hodnoty
5:07
Preferujte pozorované a odvodené atribúty
7:02
Využívajte špecifické atribúty
3:46
Etika a férovosť pri vytváraní atribútov
7:25
Čo je výber atribútov
2:32
Hra vyberania atribútov
5:53
Metódy výberu atribútov (prehľad)
6:15
Vytváranie atribútov z textu
12:17
Vytváranie atribútov z obrázkov
6:09
Základné princípy strojového učenia (10)
Vitajte v kapitole!
9:33
Supervised Learning (príklady)
10:01
Unsupervised Learning (príklady)
9:49
Reinforcement Learning (príklady)
7:22
Formulácia problému
4:43
Funkcia prírody
4:48
Nákladová funkcia
10:17
Tréningové, zadržané a produkčné dáta
6:39
Vytvorenie zadržaných dát nemusí byť priamočiare
13:46
Pretrénovaný a nedotrénovaný model
8:50
Rodiny modelov strojového učenia (8)
Vitajte v kapitole!
2:41
Modely založené na vzdialenosti (distance-based)
5:52
Lineárne modely
9:19
Neurónové siete
7:36
Rozhodovací strom (decision tree)
8:29
Ansámblové modely (Ensemble models)
9:29
Rozhodnutie o rodine modelu
4:41
Dve kultúry
8:44
Regresia a jej vyhodnotenie (9)
Vitajte v kapitole!
4:15
Regresný problém
2:19
Nákladová funkcia regresie
6:31
Prvotný (baseline) regresný model
7:36
Trénovanie modelu lineárnej regresie
10:50
Predikovanie pomocou regresného modelu
3:22
Porovnanie s prvotným modelom
4:34
Vyhodnotenie regresného modelu
9:55
Interpolácia a extrapolácia
3:46
Klasifikácia a jej vyhodnotenie (11)
Vitajte v kapitole!
3:09
Klasifikačný problém
2:37
Nákladová funkcia klasifikačného modelu
6:18
Prvotný (baseline) klasifikačný model
2:30
Trénovanie rozhodovacieho stromu
6:51
Pretrénovaný a nedotrénovaný strom
5:12
Predpovedanie natrénovaným stromom
6:31
Matica zmien (confusion matrix)
7:46
Celková správnosť / Presnosť (accuracy)
5:13
Špecifita (precision) a senzitivita (recall)
6:45
Nevybalansované dáta
6:56
Učenie bez učiteľa (10)
Vitajte v kapitole!
7:45
Zhlukovanie - segmentácia zákazníkov
4:53
Zhlukovanie - odporúčacie systémy
3:42
Zhlukovanie - učenie poloriadené učiteľom
4:38
Redukcia dimenzionality - vizualizácia
2:42
Redukcia dimenzionality - príprava údajov
3:27
Redukcia dimenzionality - separácia signálu
2:42
Detekcia anomálií - odľahlé hodnoty
3:40
Detekcia anomálií - chybné výrobky
2:29
Detekcia anomálií - podvody
2:45
Data Science modely v produkcii (13)
Vitajte v kapitole!
3:53
Môj model je vlastne experiment...
5:53
Vytvorte si metriky
6:13
Definujte AB testing
9:30
Definujte experiment
6:41
Zhrnutie experimentu
6:00
Validácia dát
10:09
Prepracovanie pre produkčné prostredie
9:01
Vyčistenie pre produkčné prostredie
9:30
Slučky spätnej väzby
6:44
Nedeklarovaní spotrebitelia
4:52
Stabilizácia zdrojov dát
4:07
Čo ďalej? (2)
Diskusia a hodnotenie
1:29
Gratulujem! Čo ďalej?
1:59
Lektor online kurzu
5,0
Hodnotenie
12
Kurzov
Hodnotenia študentov
Hodnotenia od študentov zapísaných v kurze na Skillmea.
5,0 z 5
· 11 hodnotení
Pavel H.
5
Kurz Byznys analytik pro Data Science 2 - je z mého pohledu skvělý. Robo, školitel kurzu, má dar jasně a srozumitelně vysvětlovat i složité koncepty a v kombinaci s jeho nadšením a ochotou sdílet informace to tvoří skvělý kurz.
Dusan D.
5
V kurze je system. Jednotlive priklady su jednoduchou a putavou formou vysvetlene. Robert Barcik ma nadania na prijemne vystupovanie.
Jana I.
5
Študent ohodnotil kurz bez slovného komentára.
Matúš B.
5
Študent ohodnotil kurz bez slovného komentára.
