Business Analytik pro Data Science II.
- Level
- Kapitol
- 80
- Kategorie
- Programování
- Hodnocení
- 5,0 z 5
- Délka
- 8h 11min
- Jazyk
- SK
Popis kurzu Business Analytik pro Data Science 2 (machine learning)
Jste připraveni prohloubit své znalosti o Data Science? V tomto kurzu se naučíte vytvářet atributy pro machine learningové modely, pochopíte principy strojového učení, poznáte různé rodiny modelů a naučíte se je správně používat. Také pochopíte jak vyhodnotit kvalitu prediktivních modelů a jak vypadá proces nasazení modelu do reálného světa, ve kterém může být využíván a přinášet skutečnou hodnotu.
Upozornění: V tomto kurzu se NEbudeme učit „hands-on“ Data Science. Tento kurz je pro Vás tedy vhodný i když nemáte v budoucnu plány programovat v Pythonu nebo SQL-ku. Pokud takové plány máte, tak Vás kurz naučí mnoho velmi potřebných konceptů, které v budoucnosti jistě i prakticky implementujete. Tento kurz je přirozeným pokračováním kurzu Business Analytik pro Data Science 1 (definování projektu).
Upozornění: V tomto kurzu se NEbudeme učit „hands-on“ Data Science. Tento kurz je pro Vás tedy vhodný i když nemáte v budoucnu plány programovat v Pythonu nebo SQL-ku. Pokud takové plány máte, tak Vás kurz naučí mnoho velmi potřebných konceptů, které v budoucnosti jistě i prakticky implementujete. Tento kurz je přirozeným pokračováním kurzu Business Analytik pro Data Science 1 (definování projektu).
Co se v kurzu Business Analytik pro Data Science 2 naučíte?
Projděme si jednotlivými kapitolami, které na Vás v kurzu Business Analytik pro Data Science II. čekají:
Inference a prediktivní modelování
Když už máme pojetí o našich datech, využití machine learningu a prediktivního modelování může být hodnotné. V této části kurzu si uvedeme základní principy prediktivního modelování. Například řekneme si proč je důležité nechat si část našich historických dat „bokem“ a neučit se z nich (takzvaný holdout set). Existují také různé filozofie využití prediktivních modelů – můžeme se například snažit o vytvoření jednoduchého modelu nebo modelu, který bude mít velmi vysokou přesnost. Existuje mnoho různých „rodin“ modelů strojního učení, které můžeme použít, a proto si je představíme (PS: tohle je opravdu zábavná část kurzu :) ). Představíme si lineární modely, rozhodovací stromy, náhodné lesy a dokonce i neuronové sítě! Všechny tyto znalosti použijeme v následující části kurzu.
Klasifikační a regresní problémy
Je čas jít do hloubky strojového učení a prediktivního modelování. Zaměříme se na dva základní problémy, se kterými se při supervised learningu můžeme setkat. Těmi jsou klasifikační a regresní problém. Pro vyřešení klasifikačního problému vybudujeme rozhodovací strom a pro vyřešení regresního problému zase lineární regresi. V obou případech se podíváme do srdce těchto machine learningových modelů, kde se nachází takzvaná „cost function“. No a nakonec se musíme zamyslet, jak vyhodnotit přesnost a úspěšnost těchto modelů. Povíme si tedy, například, o nástrojích jako „confusion matrix“ nebo „residual analysis“.
Uvedení modelu „do produkce“
Během kurzu jsme již vytvořili různé modely Data Science – od vizualizací až po modely strojového učení. Pokud je však necháme takříkajíc „na papíře“, tak z nich samozřejmě žádný užitek nebude. Potřebujeme je využívat v praxi a dát je do produkce. Tento poslední krok však není zcela přímočarý. Náš model potřebujeme chápat jako experiment a počítat například s tím, že se různé věci mohou pokazit. Nemusíte se však bát, o všem podstatném si povíme v poslední části kurzu!
Co po kurzu Business Analytik pro Data Science II. dokážete a co si odnesete?
- Znalost o základních principech prediktivního modelování – například, co je to holdout set nebo jaký je rozdíl mezi „statistical learning“ a „machine learning“.
- Vědomost o srdci každého prediktivního modelu - "cost function" a jak ji model využívá při učení se z dat.
- Základní znalost o lineárních modelech, neuronových sítích, rozhodovacích stromech, distance-based modelech, ensemble modelech, algoritmech pro detekci anomálií a redukci dimenzionality.
- Schopnost vyhodnotit kvalitu klasifikačního a regresního modelu.
- Základní znalost o procesu nasazování machine learning modelu do reálného světa.
Má kurz Business Analytika pro Data Science II. vstupní požadavky?
Základní znalost principů Data Science. Můžete ji získat například pomocí našeho kurzu Poznej Data Science a Business Analytik pro Data Science 1 (definování projektu). Pokud jste tyto kurzy neabsolvovali tak je důležité, abyste:
- zvládali středoškolskou matematiku,
- věděli základní informace o tom, co je data science, machine learning, databáze nebo statistika,
- věděli o základních statistických nástrojích jako počítání průměru nebo směrodatné odchylky.
Žádné technické znalosti (jako například programování v Pythonu) nejsou potřebné.
Co vše v kurzu Business Analytik pro Data Science II. dostanete?
- videotutoriály o Business Analytik pro Data Science 2 (machine learning),
- moderované diskusní fórum, ve kterém na vaše dotazy odpovídá lektor Róbert Barcík,
- certifikát o absolvování online kurzu Business Analytik pro Data Science 2 (machine learning),
- garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem.
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
Věnuji se datové vědě a umělé inteligenci v praxi firem. Na Skillmea učím vše od základů Pythonu a machine learningu přes generativní AI, Microsoft Copilot a Claude Code až po AI Act a to, jak AI mění práci a vedení lidí. Mým cílem je, abys AI uměl používat rozumně, bezpečně a se skutečným přínosem.
5,0
Hodnocení
12
Kurzů
Hodnocení studentů
Hodnocení od studentů zapsaných v kurzu na Skillmea.
5,0 z 5
· 11 hodnocení
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
Student ohodnotil kurz bez slovního komentáře.
Matúš B.
5
Student ohodnotil kurz bez slovního komentáře.
