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.
- 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?
- Kategorické proměnné
Chtěli bychom na základě údajů v tabulce predikovat výši platu. Jak si poradíme s kategorickými proměnnými -
rank,discipline?
- 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?
- 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.
- Baseline. V předchozím úkolu jsme použili jako baseline řešení průměr. Napadá tě jiná jednoduchá cesta, jak velikost populace odhadovat?
- Časová řada. Máme k dispozici následující data o počasí:
Jak bys postupovala, pokud bys chtěla predikovat průměrnou teplotu?
- 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?
- Personalista Dostali jste hromadu CV uchazečů. Chtěli byste vytvořit model, který na základě údajů ze životopisu navrhne vhodný plat.