Business Analytik pro Data Science I.
- Level
- Kapitol
- 88
- Kategorie
- Programování
- Hodnocení
- 4,9 z 5
- Délka
- 8h 47min
- Jazyk
- SK
Popis kurzu Business Analytik pro Data Science I. (definování projektu)
Během online kurzu Business Analytik pro Data Science si projdeme všemi komponentami projektu Data Science. Online kurz tedy obsahuje velmi konkrétní transformaci. Po jeho absolvování se můžete účastnit projektů Data Science!
Každý takový projekt je totiž integrován v nějaké doméně (například, bankovnictví). Máte-li tedy znalosti z domény, ve které má být Data Science projekt implementován, můžete do projektu přispět právě svými znalostmi z dané domény.
Kurz Business Analytik pro Data Science vás naučí koncepty a základy potřebné k tomu, abyste mohli velmi efektivně přispívat do projektů. Například po absolvování kurzu dokážete efektivně definovat vhodné nápady na Data Science projekty.
Upozornění: V tomto kurzu se NEbudeme učit „hands-on“ Data Science. Tento kurz je pro vás tedy vhodný i když nemáte v budoucnu plány programovat v Pythonu nebo SQLku. Pokud takové plány máte, tak vás kurz naučí mnoho velmi potřebných konceptů, které v budoucnu jistě i prakticky implementujete.
Každý takový projekt je totiž integrován v nějaké doméně (například, bankovnictví). Máte-li tedy znalosti z domény, ve které má být Data Science projekt implementován, můžete do projektu přispět právě svými znalostmi z dané domény.
Kurz Business Analytik pro Data Science vás naučí koncepty a základy potřebné k tomu, abyste mohli velmi efektivně přispívat do projektů. Například po absolvování kurzu dokážete efektivně definovat vhodné nápady na Data Science projekty.
Upozornění: V tomto kurzu se NEbudeme učit „hands-on“ Data Science. Tento kurz je pro vás tedy vhodný i když nemáte v budoucnu plány programovat v Pythonu nebo SQLku. Pokud takové plány máte, tak vás kurz naučí mnoho velmi potřebných konceptů, které v budoucnu jistě i prakticky implementujete.
Co se v kurzu Business Analytik pro Data Science naučíte?
Přejděme si nyní jednotlivými kapitolami, které na vás v kurzu čekají.
Od hypotézy k hodnotnému projektu
Každý Data Science projekt nebo use case začíná velmi jednoduše - nápadem. Následně musíme nápad přeměnit na konkrétní hypotézu. Když už hypotézu máme, je hodnotné, dokážeme-li si nastavit nějaký konkrétní byznys cíl, kterého chceme pomocí této hypotézy dosáhnout. Pokračujeme nastavením metrik, které nám indikují, zda se k našemu cíli přibližujeme. Úplně na závěr potřebujeme nastavit AB testing, pomocí kterého dokážeme metriky efektivně sledovat. Nachází se v tomto paragrafu příliš nové terminologie? Nevadí! O všem si totiž povíme v první části kurzu a vysvětlíme si tak vše potřebné o začátku Data Science projektu.
Data a jejich zpracování
Když jsem se já (Robo) začal učit o Data Science, neuměl jsem si docela dobře představit, co vlastně data jsou a jakou mají podobu. Přesně tím začneme tuto kapitolu a vysvětlíme si, že Data Science opravdu dokáže pracovat s daty v jakékoli formě. V další části si povíme o hardwaru, který samozřejmě potřebujeme, chceme-li s daty pracovat. Povíme si tedy něco o komponentách počítače a různých „formách“ počítače – jako náš laptop, vlastní server nebo cloud. Poslední věc, kterou potřebujeme ke zpracování dat je software. Uvedeme si různé příklady nástrojů a jazyků, jako například SQL, R, Python a řekneme si kdy je který z nich vhodný a naopak nevhodný.
Objevování informací v datech
Náš projekt je zadefinován, máme k dispozici data, hardware i software. Co teď? Konečně se můžeme podívat na to, co vlastně v našich datech je! V této části si povíme o základních metodách, které můžeme využít při objevování informací v datech. Jedná se o různé statistické metody a také o metody datové vizualizace. Může se ale stát, že naše data budou zkreslená nebo svou roli zahraje náhoda a my narazíme na něco, co bychom ve skutečnosti neměli považovat za hodnotnou informaci. Povíme si tedy io různých pastích, které se v datech mohou skrývat.
Co po kurzu Business Analytik pro Data Science dokážete a co si odnesete?
- Schopnost nadefinovat hypotézu, na které může být založen data science projekt v doméně, kterou znáte.
- Schopnost využít základní nástroje, které každý Data Science projekt potřebuje – zadefinovaný byznys cíl, byznys metriky a AB testing.
- Znalost základních komponentů počítače a jak je využíváme pro práci s daty.
- Přehled o rozdílech v práci mezi vlastním laptopem, vlastním serverem a Cloudem při práci s daty.
- Přehled o různých softwarech, které můžeme využít při práci s daty jako SQL, Python, R nebo různé BI tooly.
- Znalost základních statistických a vizualizačních metod, které využíváme při objevování informací v datech.
Má kurz Business Analytik pro Data Science vstupní požadavky?
Základní znalost principů Data Science. Můžete je získat například pomocí našeho kurzu “Poznej Data Science”. Pokud jste tento kurz neabsolvovali, tak je důležité, abyste:
- zvládali středoškolskou matematiku,
- věděli základní informace o tom, co je Data Science, Machine Learning, databáze nebo statistika,
- věděli o základních statistických nástrojích jako počítání průměru nebo směrodatné odchylky.
Žádné technické znalosti (jako například programování v Pythonu) nejsou potřebné.
Co všechno získáte s kurzem Business Analytik pro Data Science?
- videotutoriály o Business Analytik pro Data Science (definování projektu),
- moderované diskusní fórum, ve kterém na vaše dotazy odpovídá autor kurzu Róbert Barcík,
- certifikát o absolvování online kurzu Business Analytik pro Data Science I. (definování projektu),
- garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem.
Kapitoly online kurzu
Vitajte v kurze! (1)
O tomto kurze
3:39
Nápad na projekt Data Science (10)
O kapitole "Nápad na projekt Data Science"
2:05
Nápad na projekt Data Science
7:13
Vyhľadávajte komplexnú heuristiku
5:11
Nahradzujte intuitívne rozhodovanie
4:09
Vyhľadávajte odvodené dáta
7:52
Kombinujte datasety
2:49
Opustite budovu
5:06
Crowdsourcing nápadov
4:40
Si slon alebo myš?
4:06
Spochybňujte nápady
8:20
Formulácia konkrétnej hypotézy (7)
O kapitole "Formulácia konkrétnej hypotézy"
6:42
Rozložte svoj model
4:34
Aký cieľ sledujeme?
4:13
Definujte cieľovú premennú
7:20
Akcia, dôsledok, výsledok a vedľajší účinok
7:08
Ktoré dáta použijeme?
7:42
Príklad konkrétnej hypotézy
4:16
Návrh riešenia (9)
Je Data Science tá správna cesta?
4:13
Stanovte si metriky
9:23
Vypočítajte business hodnotu
8:42
Definujte AB testovanie
8:00
Strojové učenie bez strojového učenia
3:21
Ako môžem čo najrýchlejšie zlyhať?
8:30
Vyberte si jeden z prístupov Data Science
6:27
Koľko to bude stáť a ako dlho to bude trvať?
7:34
Založenie tímu a workflow (7)
O kapitole "Založenie tímu a workflow"
2:05
Role v oblasti Data Science
10:31
Tím
10:00
Tím v širšej perspektíve
9:36
Iterovanie nášho produktu
11:16
Rozloženie iterácií projektu na úlohy
5:33
Iterácie našej práce
3:49
Firma založená na dátach (7)
O kapitole "Firma založená na dátach"
3:51
Model, produkt a projekt
5:56
Základné typy Data Science projektov
6:06
Ako začať s Data Science?
7:32
Ako si na seba Data Science zarobí?
3:55
Časový plán projektu
7:06
Poznáme naše vlastné dáta?
7:01
Dáta a ich štruktúry (5)
O kapitole "Dáta a ich štruktúry"
1:16
Reprezentácia sveta okolo nás
9:16
Obdĺžnikové dáta (rectangular data)
9:01
Dáta sietí (network data)
7:37
Kde a ako ukladáme dáta
5:25
Infraštruktúra a hardware (9)
O kapitole "Infraštruktúra a hardware"
1:42
Štyri komponenty počítača
6:24
Práca na laptope
5:53
Práca na vlastnom servri
6:12
Cloud
14:14
Cloud produkty a ich kategórie
3:35
Základné výpočtové a úložné produkty
16:04
Data Science a AI produkty
5:22
Serverless budúcnosť
5:37
Nástroje a software (11)
O kapitole "Nástroje a software"
1:41
Excel
6:32
Business Intelligence nástroje
6:53
SQL (Structured Query Language)
7:47
Keď sa dve odvetvia stretnú
4:54
R a R-studio
8:26
Python
8:55
Od skriptov k notebookom
7:17
Iné nástroje
7:12
Posun v nástrojoch
5:16
Firmy a nástroje
5:20
Opis a objavovanie dát (14)
O kapitole "Opis a objavovanie dát"
3:33
Hra náhody
4:31
Prečo objavujeme a vizualizujeme dáta?
3:50
Rozdelenie nášho datasetu
4:43
Estetické prvky vizualizácie
7:12
Boxplot
7:21
Štandardné typy vizualizácií
12:07
Texty a čas
6:11
1, 2, 3
6:30
Skvelé vizualizácie sú modelmi
7:48
Il buono, il brutto, il cattivo
7:14
Neistota vo vizualizáciách
4:36
Žiadna metóda nie je perfektná
3:58
Pasca prílišnej vizualizácie
5:19
Vizuálne skreslenie (6)
O kapitole "Vizuálne skreslenie"
4:30
Vizuálne skreslenie - Časť 1
3:15
Vizuálne skreslenie - Časť 2
1:54
Vizuálne skreslenie - Časť 3
2:32
Vizuálne skreslenie - Časť 4
4:32
Vizuálne skreslenie - Časť 5
3:13
Čo ďalej? (2)
Diskusia a hodnotenie
1:29
Gratulujem! Čo ďalej?
1:23
Lektor online kurzu
Věnuji se datové vědě a umělé inteligenci v praxi firem. Na Skillmea učím vše od základů Pythonu a machine learningu přes generativní AI, Microsoft Copilot a Claude Code až po AI Act a to, jak AI mění práci a vedení lidí. Mým cílem je, abys AI uměl používat rozumně, bezpečně a se skutečným přínosem.
5,0
Hodnocení
12
Kurzů
Hodnocení studentů
Hodnocení od studentů zapsaných v kurzu na Skillmea.
4,9 z 5
· 34 hodnocení
Anna M.
5
Veľmi dobre vysvetlená teória.
Miroslava S.
5
Možno by som sa začala viac zameriavať na tie produkty, ktoré sa využívajú hlavne v praxi, ale chápem, že toto je skôr teoretická téma a k tým praktickým sa prechádza neskôr. Spracovanie opäť skvelé.
Jaroslav N.
4
Možno by sa to dalo maličko zredukovať , prípadne ešte detailnejšie praktické príklady uviesť na tie top najviac využívané .
Natália T.
5
Zrozumiteľne vysvetlené, zaujímavé príklady.
