Course
Data processing and analysis
Data, chart, model and decision in one chain, on agricultural examples. This source covers weeks 5-8 of the course, plus a computer vision project module.
Core thesis
Az adat nem tudás. A mérés, a tárolás, az ábra, a modell és a döntés egyetlen láncot alkot, és a lánc annyit ér, amennyit a leggyengébb szeme. Ha a végén nincs döntés, amelynek a hatása visszamérhető, akkor adatgyűjtés történt.
Week by week
W5
Data visualisation: techniques, tools, decision support
Miből következik a diagramválasztás, mi torzít, és mikor lesz egy műszerfalból döntés.
W6
Time series analysis in agricultural production
Miből áll egy idősor, mihez mérjük az előrejelzést, és miért nem szabad véletlenül szétvágni.
W7
Hogyan fekszik az adat, mibe kerül a lekérdezés, és miért a kimondatlan séma a legdrágább hiba.
W8
Foundations of predictive analytics. AI methods in agriculture
A szétvágás fegyelme, a torzítás-szórás átváltás, az értékelés ritka osztályon, és a küszöb mint gazdasági döntés.
The course as a hypergraph
The hubs are the topic groups, the dots are concepts. A hyperedge is not a set of pairs: one hub, one line to every member. Click anything.
Pick a topic group or a concept. The connections are not drawn by this page: they are the hyperedges of the source.
5 topic groups · 113 concepts
Syllabus
05. Adatvizualizáció és döntéstámogatás
18 conceptsAz ábra nem illusztráció, hanem érv: mit kódolunk mivel, mi torzít, és mikor lesz a műszerfalból döntés.
Explanatory viewExploratory data analysis (EDA)Exploratory viewVisual encodingPerceptual rankingData-ink ratioTruncated axisDual axisColour scalePerceptual uniformityColour vision deficiencyUncertainty displaySmall multiplesChart junkDashboardActionable metricBaselineAction threshold
06. Idősorelemzés az agrártermelésben
21 conceptsTrend és szezon szétválasztása, előrejelzési módszerek — és a becsületes értékelés, amely nélkül mindegyik jól hangzik.
Time seriesTrendSeasonalityDecompositionStationarityDifferencingAutocorrelationExponential smoothingHolt-Winters methodARIMA modelSARIMA modelExogenous variableNaive forecastSeasonal naive forecastForecast horizonPrediction intervalWalk-forward validationForecast errorMASEGrowing degree daysPhenology
07. Nagy adatbázisok kezelése
22 conceptsA tárolás alakja, a lekérdezés ára és az adatminőség: mitől marad interaktív egy elemzés, amikor az adat már nem fér a memóriába.
Column storeRow storeCSVParquetArrowPartitioningSchemaIndexQuery planJoinOLTPOLAPEmbedded analytical engineTime series databaseVector spatial dataRaster spatial dataCoordinate reference systemData qualityMissing valueTime zone pitfallRaw layerCurated layer
08. Prediktív analitika és MI az agráriumban
27 conceptsModellcsaládok, és ami fontosabb náluk: a szétvágás fegyelme, az értékelés mércéje és a döntési küszöb ára.
PredictionFeatureLabelTraining setValidation setTest setData leakageSpatial autocorrelationSpatial block cross-validationCross-validationOverfittingUnderfittingRegularisationLinear regressionLogistic regressionDecision treeRandom forestGradient boostingClass imbalanceConfusion matrixPrecision and recallROC AUCDecision thresholdPermutation importanceSHAP valueDistribution shiftRetraining
Projektmodul: gépi látás az agráriumban
25 conceptsA képalkotás mérés. Kalibráció, klasszikus feldolgozás, tanult modellek — és a feladat valódi mércéje a modellmérőszám helyett.
Image formationIlluminationExposureWhite balanceCamera calibrationScale calibrationColour spaceVegetation indexExcess green indexNDVIThresholdingMorphological operationsContour analysisImage classificationObject detectionSegmentationTransfer learningAnnotationAugmentationTilingIntersection over unionTask-level metricDomain shiftObject trackingIdentity switch
Aiko
The syllabus is preliminary but not improvised: every concept listed here comes from the same HyMeKo source as the glossary. Change a definition there and it changes here.