Kurz modelingu

Lekce 1 • Etika a odpovědnost v modelingu

Pokrývá zkreslení, transparentnost a odpovědnost, když modely ovlivňují skutečná rozhodnutí. Ukotvuje odbornou praxi v etických standardech.

Lekce 2 • Přehled typů modelů

Mapuje koncepční, matematické, statistické a simulační modely. Pomáhá studentům přiřadit typ modelu ke kontextu problému.

Lekce 3 • Co je modeling a proč je důležitý

Definuje modeling a jeho účel napříč odvětvími. Stanovuje sdílenou slovní zásobu používanou v celém kurzu.

Lekce 4 • Předpoklady a zjednodušení

Vysvětluje, jak předpoklady utvářejí chování modelu a kde zjednodušení přinášejí riziko. Studenti se učí dokumentovat a zdůvodňovat každý předpoklad.

Lekce 1 • Maticové a síťové reprezentace

Vysvětluje matice a grafové struktury jako kompaktní reprezentace modelů. Připravuje studenty na systémové a síťové modely v pokročilých kapitolách.

Lekce 2 • Míry změny a optimalizace

Pokrývá derivace a koncepty optimalizace bez nutnosti pokročilého kalkulu. Studenti identifikují maxima, minima a citlivost ve výstupech modelů.

Lekce 3 • Základní algebra pro modeláře

Opakuje proměnné, rovnice a funkce jako stavební kameny modelingu. Přímo podporuje konstrukci vzorců v pozdějších kapitolách.

Lekce 4 • Základy pravděpodobnosti a nejistoty

Představuje rozdělení pravděpodobnosti, střední hodnotu a rozptyl. Poskytuje základ pro stochastický modeling představený v pozdějších kapitolách.

Lekce 1 • Identifikace datových požadavků

Mapuje vstupy modelu na požadované datové typy a zdroje. Předchází běžným selháním způsobeným nesouladem dat a návrhu modelu.

Lekce 2 • Metody sběru dat

Přehled průzkumů, experimentů, pozorování a automatizovaného sběru. Studenti volí vhodné metody pro svůj kontext modelingu.

Lekce 3 • Správa a dokumentace dat

Stanovuje standardy pro původ dat, verzování a řízení přístupu. Zajišťuje reprodukovatelnost a auditovatelnost vstupů modelů.

Lekce 4 • Průzkumná analýza dat

Využívá popisnou statistiku a vizualizaci k porozumění datům před modelingem. Včas odhaluje vzorce, rozdělení a anomálie.

Lekce 1 • Vyhledávací a podmíněná logika

Začleňuje přepínání na základě pravidel a tabulkové vyhledávání do výpočtů modelů. Umožňuje modelům pracovat s diskrétními kategoriemi a politikovými pravidly.

Lekce 2 • Strukturování deterministického modelu

Definuje vstupy, výpočty a výstupy v logickém uspořádání. Dobrá struktura snižuje chyby a usnadňuje audit modelů.

Lekce 3 • Audit modelů a kontrola chyb

Aplikuje systematické kontroly k odhalení chyb ve vzorcích, nefunkčních odkazů a logických nedostatků. Auditování je odborným standardem před sdílením jakéhokoli modelu.

Lekce 4 • Nelineární modely a modely založené na poměrech

Rozšiřuje logiku modelů o multiplikativní, exponenciální a poměrové vztahy. Zachycuje dynamiku reálného světa, kterou lineární modely nemohou reprezentovat.

Lekce 1 • Výběr a validace modelu

Aplikuje informační kritéria, křížovou validaci a testování na odložených datech k výběru nejlepšího modelu. Předchází přeučení a zajišťuje zobecnitelnost.

Lekce 2 • Modely vícenásobné regrese

Rozšiřuje regresi o více prediktorů a kontroluje zavádějící proměnné. Studenti zvládají multikolinearitu a interpretují parciální efekty.

Lekce 3 • Diagnostika modelu a předpoklady

Testuje linearitu, homoskedasticitu, normalitu a nezávislost reziduí. Porušení jsou diagnostikována a opravena před použitím modelu.

Lekce 4 • Kategoriální proměnné a interakce

Kóduje kategoriální prediktory a modeluje interakční efekty. Rozšiřuje škálu reálných problémů, které může regrese řešit.

Lekce 1 • Systémová dynamika a zpětnovazební smyčky

Zachycuje zásoby, toky a zpětnou vazbu v dynamických systémech v průběhu času. Odhaluje neintuitivní chování způsobené zpožděními a nelinearitou.

Lekce 2 • Úvod do stochastického myšlení

Porovnává deterministické a stochastické přístupy a vysvětluje, kdy musí být modelována náhodnost. Motivuje k použití simulace jako praktického nástroje.

Lekce 3 • Diskrétní simulace událostí

Modeluje systémy jako sekvence událostí s frontami, zdroji a časováním. Aplikuje se na optimalizaci procesů a plánování kapacit.

Lekce 4 • Analýza výstupů simulace

Aplikuje statistické metody na výsledky simulace za účelem vyvození platných závěrů. Pokrývá zahřívací periody, délku běhu a intervaly spolehlivosti.

Lekce 1 • Scénářové a zátěžové testování

Definuje koherentní scénáře a extrémní zátěžové případy pro testování robustnosti modelu. Připravuje modely na nepříznivé a neočekávané podmínky.

Lekce 2 • Koncepty a standardy validace

Rozlišuje verifikaci, validaci a kalibraci a vysvětluje odborné standardy pro každou z nich. Nastavuje laťku kvality pro všechny výstupy modelů.

Lekce 3 • Zpětné testování a historická validace

Testuje předpovědi modelu oproti známým historickým výsledkům pro měření přesnosti. Odhaluje systematické zkreslení a strukturální slabiny.

Lekce 4 • Globální citlivost a interakční efekty

Aplikuje metody založené na rozptylu k měření kombinovaných efektů vstupů na výstupní rozptyl. Zachycuje interakce, které jednosměrná analýza přehlíží.

Lekce 1 • Vizualizace dat pro výsledky modelů

Vybírá a navrhuje grafy, které přesně reprezentují výstupy modelů a nejistotu. Volby vizualizace přímo ovlivňují interpretaci zainteresovaných stran.

Lekce 2 • Strukturování výstupů modelu pro publikum

Přizpůsobuje formát a hloubku výstupů technickým a netechnickým zainteresovaným stranám. Efektivní komunikace rozhoduje o tom, zda poznatky z modelů povedou k akci.

Lekce 3 • Dokumentace a předání modelu

Vytváří uživatelské příručky, technické specifikace a záznamy změn pro předání modelu. Dokumentace zajišťuje kontinuitu při převodu vlastnictví.

Lekce 4 • Začleňování modelů do pracovních postupů

Integruje modely do podnikových procesů prostřednictvím API, dashboardů nebo automatizovaných pipeline. Provozní začlenění maximalizuje dopad modelů.