Příklady pro zamyšlení #

Následující příklady nejsou na programování. Pouze si popovídáme o tom, jak byste danou situaci pomocí strojového učení řešili.

Míč je na tvojí straně. Neboj se navrhnout cokoli, co ti bude připadat dobré, koučové tě případně usměrní.

1. Diabetes. Prohlédni si následující náhled dat a navrhni, jak bys predikovala progresi nemoci u nového pacienta.

   • Můžeš si úlohu převést na úlohu s krajinou. Co budou souřadnice a co bude výška krajiny?
   • Jak budeš měřit úspěšnost predikce?
   • Jak posoudíš, zda se ti úlohu podařilo dostatečně zvládnout?
   • Jak zajistit, aby vstupy a výstupy modelu byly reálná čísla?

   

1. Kategorické proměnné Chtěli bychom na základě údajů v tabulce predikovat výši platu. Jak si poradíme s kategorickými proměnnými - rank, discipline?

   

1. Věk. Máme nového šéfa. V rámci zefektivnění evidence zaměstnanců chce vytvořit model, který bude pro hodnotu rodného čísla vracet věk. Co bude vstupem a výstupem, jak budeme postupovat?

1. Populace. Stáhni si notebook excercise.ipynb a datový soubor population.csv (ulož do stejného adresáře). Je v něm vypracovaná úloha predikce počtu obyvatel v závislosti na velikosti oblasti/města. Naučený model (krabička) ale počet obyvatel často podhodnocuje. Prohlédni si řešení v notebooku a zkus přijít na to, co je v na něm špatně.

1. Baseline. V předchozím úkolu jsme použili jako baseline řešení průměr. Napadá tě jiná jednoduchá cesta, jak velikost populace odhadovat?

1. Časová řada. Máme k dispozici následující data o počasí: Jak bys postupovala, pokud bys chtěla predikovat průměrnou teplotu?

1. PyLadies Máš k dispozici statistiku účastnic PyLadies. Počet splněných úkolů, počty absencí, zda PyLady už pracovala před kurzem s daty. Co potřebuješ k tomu, abys na základě těchto informací byla schopná predikovat pravděpodobnost, že daná účastnice najde po kurzu práci jako datová analytička?

1. Personalista Dostali jste hromadu CV uchazečů. Chtěli byste vytvořit model, který na základě údajů ze životopisu navrhne vhodný plat.