Differences

This shows you the differences between two versions of the page.

--- iot [2026/01/22 21:55] – [4. Architektura Przepływu Danych (Data Pipeline)] admin
+++ iot [2026/01/22 21:57] (current) – [Wyzwanie: Jakość Danych (Data Quality)] admin
@@ Line 38: / Line 38: @@
   - **Warstwa 4 (Analytics):** Skrypty Python (Jupyter Notebook) pobierają dane z bazy, czyszczą je i trenują modele ML.
-===== Wyzwanie: Jakość Danych (Data Quality) =====
+===== Wyzwanie: Jakość Danych =====
 W ML obowiązuje zasada //"Garbage In, Garbage Out"//. Jeśli dane wejściowe są błędne, model będzie bezużyteczny.
 Typowe problemy napotkane podczas analizy danych budynkowych:
-  * **Brakujące próbki (Missing Values):** Awaria Wi-Fi spowodowała dziurę w danych z 3 godzin.
+  * **Brakujące próbki :** Awaria Wi-Fi spowodowała dziurę w danych z 3 godzin.
-  * **Szum (Noise):** Czujnik temperatury przy oknie nagrzewa się od słońca, fałszując odczyt dla całego pokoju.
+  * **Szum:** Czujnik temperatury przy oknie nagrzewa się od słońca, fałszując odczyt dla całego pokoju.
-  * **Outliery (Wartości odstające):** Błąd transmisji zapisał zużycie energii jako "999999 kWh".
+  * **Wartości odstające:** Błąd transmisji zapisał zużycie energii jako "999999 kWh".
-> Przed uruchomieniem jakiegokolwiek algorytmu, dane muszą przejść proces **czyszczenia (Data Preprocessing)**, co zostało pokazane w sekcji [[analiza|Analiza Danych i Symulacje]].