Upravne informacije
| Naslov | Priprava in raziskovanje podatkov |
| Trajanje | 60 |
| Modul | A |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Praktično – modeliranje umetne inteligence |
| Tema | Metode priprave podatkov |
Ključne besede
Priprava podatkov, čiščenje podatkov, preoblikovanje podatkov, normalizacija podatkov, integracija podatkov, zmanjšanje podatkov,
Učni cilji
- Da bi lahko izbrali najprimernejšo metodo priprave podatkov na podlagi primera
- priprava podatkov v praksi (upravljanje manjkajočih vrednosti, ustvarjanje novih izpeljanih funkcij)
- Obogatitev podatkov
- Etično: anonimizacija in težave s tem (opredelitev je mogoča na posreden način) – spet bi moralo biti nekaj primerov tam zunaj
- Imputation – omenite, da lahko povzroči pristranskost in da je treba to upoštevati
- Ustvarjanje nove funkcije – izguba pravilne semantike
- Etično: odstranjevanje pristranskosti iz nabora podatkov
- Vzporednice in razlike med vzorčenjem podatkov v statistiki in pridobivanjem podatkov (vključno z velepodatki) za ML in AI
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
- NI RELEVANTNO
Neobvezno za študente
- NI RELEVANTNO
Reference in ozadje za študente
- NI RELEVANTNO
Priporočeno za učitelje
Gradivo za učne ure
Navodila za učitelje
Ta razred lahko utemeljite okoli diapozitivov.
Obris
| Trajanje (min) | Opis | Koncepti | |
|---|---|---|---|
| 5 | Obris | Metode priprave podatkov: v čem je smisel? | |
| 5 | Težave/predobdelava | Kakšne težave imajo lahko podatki, čiščenje, čiščenje | |
| 5 | Priprava podatkov | Čiščenje, preoblikovanje, integracija, normalizacija, imputacija, identifikacija hrupa | |
| 5 | Podrobna priprava podatkov | Oblike priprave podatkov | |
| 10 | Podrobno čiščenje podatkov | Popravljanje ali odstranjevanje nepravilnih, poškodovanih, nepravilno oblikovanih, podvojenih ali nepopolnih podatkov v naboru podatkov | |
| 10 | Podrobno preoblikovanje podatkov | Pretvarjanje podatkov iz ene oblike v drugo, najboljše prakse. | |
| 5 | Podrobna normalizacija podatkov | Najboljše prakse za normalizacijo podatkov. | |
| 5 | Podrobno vključevanje podatkov | Najboljše prakse vključevanja podatkov. | |
| 5 | Podrobno zmanjšanje podatkov | Najboljše prakse zmanjševanja podatkov. | |
| 10 | Priprava podatkov v praksi | Filtriranje, manjkajoče vrednosti, dvojniki, | |
| 5 | Sklepne ugotovitve | Poudarja pomen priprave podatkov. |
Priznanja
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).