Dnes sa opäť zameriam viac na teoretickú časť. Vrátim sa k niektorým pojmom, ktoré si bližšie vysvetlíme a doplním ich o ďalšie informácie. Zároveň pridám aj niekoľko ďalších základných konceptov, ktoré môžu pomôcť lepšie sa zorientovať v začiatkoch dátovej vedy.
V začiatkoch môže dátová veda pôsobiť ako vstup do úplne nového sveta plného neznámych pojmov, technológií a princípov. V tejto fáze je preto dôležité nenechať sa množstvom nových informácií odradiť a nestratiť motiváciu. Pocit, že je toho na začiatku skutočne priveľa, je úplne prirodzený a postupne sa začne vytrácať s tým, ako budete jednotlivé pojmy a súvislosti lepšie spoznávať.
V tomto článku predstavím niekoľko základných pojmov, s ktorými sa budete pravidelne stretávať.
1/ Dátový rámec (angl. data frame)
Dátový rámec si môžeme predstaviť ako tabuľku, ktorú poznáte napríklad z programu Excel. Tabuľka je rozdelená na riadky a stĺpce. Každý riadok predstavuje jeden konkrétny záznam a každý stĺpec obsahuje určitý typ informácie. Dátové rámce sa používajú veľmi často pri práci s dátami. V programovacom jazyku Python sa s nimi môžeme stretnúť napríklad v knižnici Pandas (k tejto knižnici a práci s jazykom Python sa podrobnejšie dostaneme v ďalších článkoch).
Príklad: Tabuľka so zákazníkmi
| Meno | Priezvisko | Vek | Pohlavie | Výška | Váha | Mesto |
| Ján | Mrkvička | 25 | Muž | 180 cm | 80 kg | Bratislava |
| Eva | Kapustová | 32 | Žena | 165 cm | 60 kg | Trnava |
| Peter | Kaleráb | 41 | Muž | 175 cm | 95 kg | Prešov |
Tabuľka je jednoduchým príkladom dátového rámca, kde každý riadok predstavuje jedného zákazníka a každý stĺpec obsahuje konkrétnu informáciu o ňom.
2/ Model
Model si môžeme predstaviť ako nástroj, ktorý sa učí z dostupných dát a následne dokáže robiť odhady alebo rozhodnutia pri nových dátach. Model sa najskôr učí na dátach, ktoré má k dispozícii (ide o tréningové dáta). Potom model otestujeme na dátach, ktoré počas učenia nevidel a týmto spôsobom si tak overíme, či sa dokáže správne rozhodovať aj pri nových prípadoch.
Je to podobné ako učenie sa na skúšku.
Ak sa naučíte iba odpovede na otázky, ktoré ste videli, nemusíte si poradiť s úplne novými otázkami, ktoré v škole môžete na skúške dostať. Cieľom je teda pochopiť princíp a nie iba si zapamätať konkrétne príklady. Niekedy sa však model naučí tréningové dáta až príliš dobre a to aj vrátane rôznych chýb a nepodstatných detailov. Tento problém sa nazýva preťaženie modelu. Takýto model môže mať výborné výsledky na dátach, na ktorých sa učil, ale pri nových dátach môže robiť až príliš veľa chýb.
Príklad: Údaje o domoch
- veľkosť domu
- počet izieb
- lokalitu
- vek domu
- cenu
Model sa z týchto údajov môže naučiť, aké vlastnosti súvisia s cenou domu. Keď mu potom ukážeme nový dom, ktorý ešte nepozná, môže na základe jeho vlastností odhadnúť jeho cenu.
3/ Predikcia (angl. prediction)
Predikcia znamená jednoducho odhad alebo predpoveď výsledku. Robíme ju pomocou modelu, ktorý sme už predtým naučili na dostupných dátach. Keď model dostane nové údaje, ktoré ešte nepozná, môže na ich základe odhadnúť výsledok. Predikcia pritom ale nemusí znamenať iba predpovedanie niečoho, čo sa stane v budúcnosti. Model môže napríklad odhadovať cenu, pravdepodobnosť alebo zaradiť niečo do určitej kategórie.
Príklad: Internetový obchod
Predstavme si internetový obchod, ktorý má údaje o svojich zákazníkoch. Model môže na základe veku zákazníka, jeho predchádzajúcich nákupov a tiež ďalších informácií odhadnúť, či si zákazník s určitou pravdepodobnosťou kúpi nový produkt. Výsledkom predikcie môže byť napríklad, že zákazník má 80 % pravdepodobnosť, že si produkt kúpi.
4/ Vlastnosť (angl. feature)
Vlastnosť je konkrétna informácia, ktorú používame pri práci s dátami a ktorá môže pomôcť modelu pri jeho rozhodovaní. V tabuľke (viď. vyššie v tomto článku) si ju môžeme jednoducho predstaviť ako jeden zo stĺpcov. Vlastnosť môže byť číselná ako je napríklad vek, výška, váha alebo cena. Môže však obsahovať aj kategóriu, ako pohlavie, mesto alebo typ produktu. Pri práci s modelmi sa často stretnete aj s pojmom cieľová premenná (to je informácia, ktorú sa model snaží predpovedať).
Príklad: Vytvorenie modelu, ktorý bude predpovedať, či si zákazník kúpi produkt
Ako vlastnosti môžeme použiť:
- vek zákazníka
- počet predchádzajúcich nákupov
- príjem
- počet návštev webu
Cieľovou premennou môže byť informácia o tom, či si zákazník produkt kúpi alebo nie. Model následne využíva jednotlivé vlastnosti zákazníka na to, aby tento výsledok predpovedal.
5/ Algoritmus (angl. algorithm)
Algoritmus je postup alebo súbor pravidiel, podľa ktorých sa rieši určitá úloha. V dátovej vede algoritmus určuje, ako sa má model učiť z dát. Pomáha mu hľadať v dátach určité vzory a vzťahy. Prirovnal by som ho k receptu na varenie. Ten obsahuje jednotlivé kroky, ktoré treba vykonať, aby sme dosiahli požadovaný výsledok. Algoritmus funguje podobne, jednoducho určuje postup, podľa ktorého sa má problém vyriešiť.
Existuje veľké množstvo algoritmov a každý sa hodí na iný typ úlohy. Preto je pri práci s dátami dôležité vybrať vhodný algoritmus a následne overiť, ako dobre funguje.
Príklad: Predpoveď nákupu tovaru
Opäť sa vráťme k minulému príkladu a to, či si zákazník kúpi určitý produkt. Na tento účel môžeme použiť napríklad rozhodovací strom. Algoritmus bude postupne vyhodnocovať rôzne informácie o zákazníkovi, napríklad jeho vek, či už v minulosti nakupoval alebo navštívil stránku produktu. Potom na základe týchto informácií vyhodnotí situáciu a odhadne pravdepodobnosť, s akou si zákazník produkt kúpi.
6/ Knižnica (angl. library)
Knižnica je zbierka už pripravených nástrojov a funkcií, ktoré môžeme použiť pri programovaní. Jej veľkou výhodou je, že nemusíme všetko programovať úplne od začiatku. V dátovej vede sa knižnice používajú napríklad na prácu s tabuľkami a dátami, matematické a číselné výpočty, vytváranie grafov alebo na tvorbu a používanie modelov strojového učenia. V programovacom jazyku Python sa často používajú napríklad knižnice Pandas, NumPy alebo Matplotlib.
Príklad: Tabuľka obyvateľov mesta
Predstavte si, že máte veľkú tabuľku so 100 000 záznamami a potrebujete z nich vypočítať priemerný vek všetkých ľudí. Bez knižnice by sme museli veľkú časť potrebného kódu napísať sám, ale pomocou knižnice Pandas môžete využiť už pripravené funkcie, ktoré prácu výrazne zjednodušia.
A sme na konci článku.
Dnes sme si prebrali niekoľko ďalších základných pojmov pre začiatočníkov v dátovej vede, ktoré budú často používané počas celej práce s dátami. Samozrejme predstavujú len úvod, k téme sa určite ešte vrátim v niektorom z nasledujúcich článkov.
Zaujal Vás článok?
Zvážte možnosť jeho zdieľania na sociálnych sieťach alebo sa podeľte o svoj názor a pripomienky k článku a to odoslaním správy na e-mailovú adresu info@dataspark.sk.
