courseId

reviewUserId

sessionSlug

sessionQuery

currentUser

user

course

query sessionQuery(
  $courseId: String!
  $sessionSlug: String!
  $reviewUserId: String
) {
  currentUser {
    id
    userId
    isAdmin
    attendedCourseIds
    coachedCourseIds
    ...Layout_currentUser
  }
  reviewUser: user(userId: $reviewUserId) {
    id
    userId
    name
  }
  course(courseId: $courseId) {
    id
    courseId
    titleHTML
    subtitleHTML
    sessions {
      id
      slug
      titleHTML
      date
      hasTasks
    }
    session(slug: $sessionSlug) {
      id
      slug
      titleHTML
      date
      hasTasks
      materialItems {
        materialItemType
        titleHTML
        textHTML
        url
      }
      taskItems {
        taskItemType
        taskItemId
        textHTML
        number
        mandatory
        submit
      }
      ...TaskSubmissionLessonSummary_session
    }
  }
}

fragment Header_currentUser on User {
  id
  isAdmin
}

fragment Layout_currentUser on User {
  ...Header_currentUser
}

fragment TaskSubmissionLessonSummary_session on Session {
  id
  taskItems {
    taskItemId
    number
    submit
    mySolution {
      lastAction
    }
  }
}


Analýza hlavních komponent (PCA)

Použij databázi <a href="https://raw.githubusercontent.com/janpipek/data-pro-pyladies/master/data/countries.csv">Gapminder</a> se statistikami o jednotlivých státech světa a pokus se aplikovat, co ses v hodině o PCA naučila:

Spočítej, kolik je v každém sloupci chybějících hodnot <code>(countries.isnull().sum(axis = 0))</code>. Na základě toho (a případně dalších úvah), vyber sloupce, který budeš pro PCA analýzu používat.

Do tabulky s vybranými sloupci doplň chybějící hodnoty pomocí <code>SimpleImputer</code> z balíčku sklearn.

Normalizuj data pomocí <code>StandardScaler</code> a spočítej první dvě komponenty <code>PCA</code>. Vykresli data do souřadnicového grafu (scatter plot). Jsou země EU blízko sebe? Tvoří shluk?

Dokážeš najít interpretaci pro PCA1 a PCA2 (první dvě komponenty PCA)? Pomoci může, když si nakreslíš interaktivní graf zobrazující jméno země (balíček <code>plotly</code>). Zkus si též spočítat, nakolik jednotlivé sloupečky z původní tabulky přispívají ke koeficientům (loadings) PCA1 a PCA2.

Pokus se navrhnout, jak by šly do PCA zahrnout kategoriální veličiny, za předpokladu, že počet jejich kategorií není příliš velký (např. indikátor <code>is_eu</code>, zda je země v EU, nebo kontinent <code>world_6region</code>).

Analýza hlavních komponent (PCA) 24. listopadu 2020

Materiály

Domácí projekty