Data-Science-For-Beginners/translations/cs/1-Introduction/01-defining-data-science

Typy dat

Jak jsme již zmínili, data jsou všude kolem nás. Stačí je jen správně zachytit! Je užitečné rozlišovat mezi strukturovanými a nestrukturovanými daty. Strukturovaná data jsou obvykle reprezentována v nějaké dobře organizované formě, často jako tabulka nebo více tabulek, zatímco nestrukturovaná data jsou jen sbírkou souborů. Někdy můžeme také mluvit o polostrukturovaných datech, která mají určitý druh struktury, jež se však může značně lišit.

Strukturovaná	Polostrukturovaná	Nestrukturovaná
Seznam lidí s jejich telefonními čísly	Stránky Wikipedie s odkazy	Text Encyklopedie Britannica
Teplota ve všech místnostech budovy každou minutu za posledních 20 let	Sbírka vědeckých článků ve formátu JSON s autory, datem publikace a abstraktem	Sdílené soubory s firemními dokumenty
Data o věku a pohlaví všech lidí vstupujících do budovy	Internetové stránky	Surový videozáznam z bezpečnostní kamery

Kde získat data

Existuje mnoho možných zdrojů dat, a není možné je všechny vyjmenovat! Nicméně zmíníme některá typická místa, kde můžete data získat:

• Strukturovaná
  • Internet věcí (IoT), včetně dat z různých senzorů, jako jsou senzory teploty nebo tlaku, poskytuje mnoho užitečných dat. Například pokud je kancelářská budova vybavena IoT senzory, můžeme automaticky řídit vytápění a osvětlení, abychom minimalizovali náklady.
  • Průzkumy, které žádáme uživatele vyplnit po nákupu nebo po návštěvě webové stránky.
  • Analýza chování nám může například pomoci pochopit, jak hluboko uživatel prochází webovou stránku a jaký je typický důvod jejího opuštění.
• Nestrukturovaná
  • Texty mohou být bohatým zdrojem poznatků, například celkového skóre sentimentu nebo extrakce klíčových slov a sémantického významu.
  • Obrázky nebo videa. Video z bezpečnostní kamery může být použito k odhadu provozu na silnici a k informování lidí o možných dopravních zácpách.
  • Logy webových serverů mohou být použity k pochopení, které stránky našeho webu jsou nejčastěji navštěvovány a jak dlouho.
• Polostrukturovaná
  • Grafy sociálních sítí mohou být skvělým zdrojem dat o osobnostech uživatelů a jejich potenciální efektivitě při šíření informací.
  • Pokud máme sbírku fotografií z večírku, můžeme se pokusit extrahovat data o skupinové dynamice vytvořením grafu lidí, kteří se spolu fotili.

Znalost různých možných zdrojů dat vám umožní přemýšlet o různých scénářích, kde lze aplikovat techniky datové vědy k lepšímu pochopení situace a ke zlepšení obchodních procesů.

Co můžete dělat s daty

V datové vědě se zaměřujeme na následující kroky v cestě dat:

Samozřejmě, v závislosti na konkrétních datech mohou některé kroky chybět (např. když již máme data v databázi nebo když nepotřebujeme trénovat model), nebo mohou být některé kroky opakovány několikrát (například zpracování dat).

Digitalizace a digitální transformace

V posledním desetiletí si mnoho podniků začalo uvědomovat důležitost dat při rozhodování. Aby bylo možné aplikovat principy datové vědy na řízení podniku, je nejprve nutné shromáždit nějaká data, tj. převést obchodní procesy do digitální podoby. To se nazývá digitalizace. Použití technik datové vědy na tato data k usměrnění rozhodování může vést k výraznému zvýšení produktivity (nebo dokonce k zásadní změně podnikání), což se nazývá digitální transformace.

Podívejme se na příklad. Představme si, že máme kurz datové vědy (jako je tento), který poskytujeme online studentům, a chceme jej pomocí datové vědy zlepšit. Jak to můžeme udělat?

Můžeme začít otázkou „Co lze digitalizovat?“ Nejjednodušší způsob by byl měřit čas, který každý student potřebuje k dokončení každého modulu, a měřit získané znalosti pomocí testu s výběrem odpovědí na konci každého modulu. Průměrováním času na dokončení mezi všemi studenty můžeme zjistit, které moduly studentům způsobují největší potíže, a pracovat na jejich zjednodušení. Můžete namítnout, že tento přístup není ideální, protože moduly mohou mít různou délku. Pravděpodobně by bylo spravedlivější rozdělit čas podle délky modulu (v počtu znaků) a místo toho porovnávat tyto hodnoty. Když začneme analyzovat výsledky testů s výběrem odpovědí, můžeme se pokusit určit, které koncepty dělají studentům problémy, a využít tyto informace ke zlepšení obsahu. Abychom toho dosáhli, musíme navrhnout testy tak, aby každá otázka odpovídala určitému konceptu nebo části znalostí.

Pokud chceme být ještě důkladnější, můžeme vykreslit čas potřebný na dokončení každého modulu ve vztahu k věkovým kategoriím studentů. Můžeme zjistit, že pro některé věkové kategorie trvá dokončení modulu nepřiměřeně dlouho, nebo že studenti modul nedokončí. To nám může pomoci doporučit vhodný věk pro daný modul a minimalizovat nespokojenost lidí způsobenou nesprávnými očekáváními.

🚀 Výzva

V této výzvě se pokusíme najít koncepty relevantní pro oblast datové vědy analýzou textů. Vezmeme článek z Wikipedie o datové vědě, stáhneme a zpracujeme text a poté vytvoříme slovní mrak, jako je tento:

Navštivte notebook.ipynb a projděte si kód. Můžete také spustit kód a sledovat, jak provádí všechny transformace dat v reálném čase.

Pokud nevíte, jak spustit kód v Jupyter Notebooku, podívejte se na tento článek.

Kvíz po přednášce

Úkoly

• Úkol 1: Upravte výše uvedený kód tak, abyste našli související koncepty pro oblasti Big Data a Machine Learning
• Úkol 2: Přemýšlejte o scénářích datové vědy

Poděkování

Tuto lekci s ♥️ vytvořil Dmitry Soshnikov

---

Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.