Zobrazení zdroje stránky Datový set

{{K rozšíření}}
{{Infobox Statistika
| Název = Datový set
| Obrázek = Dataset_concept.png
| Popis obrázku = Konceptuální znázornění datového setu jako tabulky s daty
| Obor = [[Datová věda]], [[Strojové učení]], [[Statistika]], [[Informatika]]
| Definice = Kolekce souvisejících [[data|dat]] uspořádaných v tabulkové formě, kde řádky představují [[objekt|pozorování]] a sloupce [[atribut (databáze)|proměnné]]
| Synonyma = Soubor dat, datová sada
| Struktura = Tabulková (řádky, sloupce), [[JSON]], [[XML]]
| Typy dat = Numerická, kategorická, textová, obrazová, časové řady
| Důležitost = Základ pro [[analýza dat|analýzu]], [[strojové učení|trénink modelů]], [[predikce]], [[rozhodování]]
| Fáze životního cyklu = Sběr, čištění, transformace, analýza, vizualizace, archivace
| Příklady = Databáze zákazníků, soubor [[obrázky|obrázků]] pro trénink [[AI]], výsledky průzkumu
| Příbuzné pojmy = [[Data]], [[Analýza dat]], [[Strojové učení]], [[Umělá inteligence]], [[Databáze]], [[Velký jazykový model]]
}}
'''Datový set''' (též '''soubor dat''' nebo '''datová sada''') je kolekce souvisejících [[data|dat]], která jsou uspořádána specifickým způsobem, obvykle v tabulkové formě. V této struktuře každý řádek představuje jedno [[objekt|pozorování]] nebo [[položka (data)|položku]] (např. jednoho zákazníka, jeden výrobek, jednu událost), a každý sloupec představuje určitou [[atribut (databáze)|proměnnou]] nebo [[atribut (databáze)|vlastnost]] (např. [[věk]], [[příjmy]], [[barva]], datum). Datové sety jsou základním kamenem pro [[analýza dat|analýzu dat]], [[strojové učení|trénink modelů strojového učení]] a [[rozhodování]] ve všech odvětvích.

---
== Struktura a typy datových setů ==
Nejběžnější formou datového setu je tabulka, ale existují i jiné struktury:

* '''Tabulková data (strukturovaná data):''' Nejčastější forma, kde data jsou uspořádána do řádků a sloupců.
    * '''Řádky (záznamy/pozorování):''' Představují jednotlivé entity, události nebo experimentální jednotky.
    * '''Sloupce (proměnné/atributy/vlastnosti):''' Popisují charakteristiky nebo měření pro každou entitu.

* '''Nestrukturovaná data:''' Data, která nemají předem definovanou tabulkovou strukturu (např. [[text]], [[obrázky]], [[audio]], [[video]]). Pro jejich použití ve [[strojové učení|strojovém učení]] je často nutné je transformovat do nějaké strukturované, numerické reprezentace (např. [[vektor (matematika)|vektorů]] vlastností).

* '''Polostrukturovaná data:''' Data, která sice nemají pevnou tabulkovou strukturu, ale obsahují tagy nebo značky pro oddělení prvků, což usnadňuje jejich zpracování (např. [[JSON]], [[XML]] soubory).

* '''Typy dat v datovém setu:'''
    * '''Numerická data:''' [[Číslo|Číselné]] hodnoty, které mohou být diskrétní (celá [[číslo|čísla]], např. počet dětí) nebo spojitá (reálná [[číslo|čísla]], např. [[teplota]], [[výška]]).
    * '''Kategorická data:''' Hodnoty, které představují kategorie nebo skupiny (např. [[pohlaví]], [[barva]], typ produktu). Mohou být nominální (bez pořadí) nebo ordinální (s pořadím, např. velikost oblečení S, M, L).
    * '''Textová data:''' Libovolný [[text]], od krátkých frází po celé dokumenty (např. [[komentář (programování)|komentáře]] zákazníků, [[článek (žurnalistika)|články]]).
    * '''Obrazová data:''' [[Obrázky]] a [[video|videozáznamy]] (např. [[fotografie]], [[rentgen]]).
    * '''Časové řady:''' Sekvence [[data|dat]] indexovaných v čase (např. ceny akcií, údaje o počasí).

---
== Životní cyklus datového setu ==
Datové sety procházejí typickým životním cyklem:

* '''Sběr dat:''' Získávání dat z různých zdrojů (např. [[databáze]], [[senzor|senzory]], [[web]], průzkumy, [[veřejné zakázky|veřejně dostupné zdroje]]).
* '''Čištění dat (Data Cleaning):''' Odstraňování chyb, duplicit, vyplňování chybějících hodnot a náprava nekonzistentních dat. Jedna z nejdůležitějších a časově náročných fází.
* '''Transformace dat (Data Transformation/Feature Engineering):''' Převod dat do vhodného formátu pro [[analýza dat|analýzu]] nebo [[strojové učení|modely strojového učení]] (např. normalizace numerických dat, převod kategorických dat na numerické reprezentace, vytváření nových proměnných z existujících).
* '''Analýza a vizualizace dat:''' Použití statistických metod a vizualizačních nástrojů k pochopení dat, identifikaci vzorců a vztahů.
* '''Trénink a testování modelů (ve [[strojové učení|strojovém učení]]):''' Rozdělení datového setu na trénovací, validační a testovací sady. Trénovací sada se používá k učení [[Model (AI)|modelu]], validační k ladění [[Hyperparametr (strojové učení)|hyperparametrů]] a testovací k finálnímu vyhodnocení výkonu [[Model (AI)|modelu]].
* '''Ukládání a archivace:''' Bezpečné uložení datových setů pro budoucí použití, přístup a audit.

---
== Důležitost datových setů ve strojovém učení ==
V oblasti [[strojové učení|strojového učení]] jsou datové sety naprosto zásadní. Kvalita a kvantita trénovacích dat přímo ovlivňuje výkon a spolehlivost [[AI model (AI)|modelu]].
* '''Trénink [[Model (AI)|modelů]]:''' [[AI model (AI)|Modely]] se učí z datových setů identifikovat vzorce, korelace a struktury. Čím reprezentativnější a kvalitnější [[data]], tím lépe se [[Model (AI)|model]] naučí zobecňovat na nová, neviděná data.
* '''Evaluace [[Model (AI)|modelů]]:''' Samostatný testovací datový set slouží k objektivnímu posouzení, jak dobře se [[Model (AI)|model]] chová v reálném světě, a zda nedochází k [[přeučení (strojové učení)|přeučení]] nebo [[Podučení (strojové učení)|podučení]].
* '''Předsudky a zkreslení:''' Pokud datový set obsahuje [[předsudek|předsudky]] (např. nedostatečná reprezentace určitých skupin), [[AI model (AI)|model]] se je naučí a může produkovat zkreslené nebo nespravedlivé výsledky. Je proto klíčové zajistit, aby datové sety byly co nejvíce reprezentativní a [[neutrální]].

---
== Příklady datových setů ==
* '''[[MNIST]]:''' Datový set ručně psaných číslic, často používaný pro úvodní [[strojové učení|úkoly rozpoznávání obrazu]].
* '''[[ImageNet]]:''' Rozsáhlý datový set milionů označených [[obrázky|obrázků]], klíčový pro vývoj [[hluboké učení|hlubokého učení]] v [[počítačové vidění|počítačovém vidění]].
* '''COCO (Common Objects in Context):''' Datový set pro detekci objektů, segmentaci a titulkování [[obrázky|obrázků]].
* '''[[WikiText]]:''' Velký datový set textu z [[Wikipedie]], používaný pro trénink [[velký jazykový model|jazykových modelů]].
* '''Titanic Dataset:''' Obsahuje informace o pasažérech Titanicu a jejich osudu, často používaný pro výuku [[klasifikace (strojové učení)|klasifikace]].

---
== Datový set pro laiky ==
Představte si, že chcete naučit [[počítač]], aby uměl poznávat [[pes|psy]] na [[fotografie|fotkách]]. Aby se [[počítač]] (přesněji jeho [[Model (AI)|model]]) mohl učit, potřebuje se podívat na spoustu příkladů.

Tato "spousta příkladů" se nazývá '''datový set'''.
* Je to jako velká '''sbírka informací'''.
* Pro našeho [[pes|psa]] by to byla hromada [[fotografie|fotek]], kde jsou na některých [[pes|psi]] a na jiných třeba [[kočka|kočky]] nebo [[pták|ptáci]]. A u každé [[fotografie|fotky]] by bylo napsáno, co na ní je (jestli [[pes]], nebo ne).

Ten [[počítač]] si pak tento [[datový set]] prohlíží, učí se z něj, hledá v něm vzory (např. jak vypadá [[pes]]) a pak se snaží poznat [[pes|psy]] i na [[fotografie|fotkách]], které nikdy předtím neviděl.

Čím větší a kvalitnější ten '''datový set''' je (čím více různých [[fotografie|fotek]] s [[pes|psy]] mu ukážete a čím lépe jsou označené), tím lépe se [[počítač]] naučí a tím spolehlivěji pak bude [[pes|psy]] poznávat. Bez '''datového setu''' by se [[AI model (AI)|model]] neměl z čeho učit!

---
== Viz také ==
* [[Data]]
* [[Analýza dat]]
* [[Strojové učení]]
* [[Umělá inteligence]]
* [[Hluboké učení]]
* [[Databáze]]
* [[Velký jazykový model]]
* [[Trénink (strojové učení)]]
* [[Predikce]]
* [[Atribut (databáze)]]
* [[JSON]]
* [[XML]]

---
== Odkazy ==
* [https://www.ibm.com/topics/data-set IBM – What is a dataset?] (anglicky)
* [https://developers.google.com/machine-learning/glossary#dataset Google Developers – Dataset (Machine Learning Glossary)] (anglicky)
* [https://www.statista.com/statistics/1042571/big-data-types/ Statista – Types of Big Data] (anglicky)

[[Kategorie:Datová věda]]
[[Kategorie:Strojové učení]]
[[Kategorie:Statistika]]
[[Kategorie:Informatika]]
[[Kategorie:Data]]
[[Kategorie:Umělá inteligence]]
[[Kategorie:Analýza dat]]