Kurz datové analýzy

Lekce 1 • Zdroje a struktury dat

Zkoumá strukturované, polostrukturované a nestrukturované zdroje dat. Připravuje studenty na to, aby určili vhodná data pro jakýkoli analytický úkol.

Lekce 2 • Co je datová analytika

Definuje datovou analytiku a její rozsah v moderních organizacích. Ustanovuje slovník používaný v celém kurzu.

Lekce 3 • Etika a správa v analytice

Pokrývá principy ochrany soukromí dat, rizika zkreslení a standardy odpovědného používání. Zakládá veškerou následnou technickou práci na etické praxi.

Lekce 4 • Typy analytiky

Porovnává deskriptivní, diagnostickou, prediktivní a preskriptivní analytiku. Propojuje každý typ s reálnými obchodními rozhodnutími.

Lekce 1 • Základy datových pipeline

Vysvětluje procesy ETL a ELT a koncepty orchestrace pipeline. Poskytuje studentům mentální model pro automatizovaný pohyb dat.

Lekce 2 • Metody sběru dat

Zkoumá průzkumy, web scraping, transakční systémy a data ze senzorů. Propojuje volbu metody sběru s výsledky kvality dat.

Lekce 3 • Úvod do SQL

Učí základní syntaxi SQL pro dotazování a filtrování dat. Přímo podporuje úlohy extrakce dat ve všech následujících kapitolách.

Lekce 4 • Základy relačních databází

Představuje tabulky, klíče a relace v relačních databázích. Umožňuje studentům číst a navrhovat základní schémata.

Lekce 1 • Pochopení kvality dat

Definuje přesnost, úplnost, konzistenci a včasnost jako dimenze kvality. Ustanovuje standard, vůči kterému je veškerá práce na čištění dat poměřována.

Lekce 2 • Zacházení s chybějícími a duplicitními daty

Pokrývá strategie detekce a ošetření nulových hodnot, prázdných hodnot a duplicitních záznamů. Přímo snižuje zkreslení a chyby v následné analýze.

Lekce 3 • Detekce a ošetření odlehlých hodnot

Představuje statistické a vizuální metody pro identifikaci odlehlých hodnot. Učí rozhodování na základě kontextu o ponechání nebo odstranění extrémních hodnot.

Lekce 4 • Základy tvorby příznaků

Pokrývá vytváření nových proměnných z existujících dat pro zlepšení analytické síly. Propojuje kapitoly o přípravě dat a modelování.

Lekce 1 • Formulace hypotéz

Učí, jak převádět obchodní otázky na testovatelné hypotézy z EDA zjištění. Propojuje explorační práci s konfirmační analýzou.

Lekce 2 • Jednorozměrná analýza

Zkoumá rozdělení jedné proměnné pomocí histogramů, krabicových grafů a frekvenčních tabulek. Buduje dovednosti v rozpoznávání vzorců, které jsou aplikovány v následné vícerozměrné analýze.

Lekce 3 • Dvourozměrná a vícerozměrná analýza

Zkoumá vztahy mezi dvěma nebo více proměnnými pomocí bodových grafů, heatmap a křížových tabulek. Odhaluje korelace a interakce v datech.

Lekce 4 • Popisná statistika

Pokrývá míry centrální tendence, variability a tvaru pro shrnutí rozdělení. Poskytuje numerický základ pro veškerou EDA práci.

Lekce 1 • Korelační a regresní analýza

Představuje Pearsonovu korelaci a jednoduchou lineární regresi pro modelování vztahů. Propojuje statistickou inferenci a prediktivní modelování.

Lekce 2 • Testování hypotéz

Učí t-testy, chí-kvadrát testy a ANOVA pro porovnávání skupin. Propojuje statistická rozhodnutí s obchodními otázkami představenými v EDA.

Lekce 3 • Vícenásobná regrese a validace modelu

Rozšiřuje regresi o více prediktorů a pokrývá přeučení a validační strategie. Připravuje studenty na koncepty strojového učení.

Lekce 4 • Základy pravděpodobnosti

Pokrývá pravidla pravděpodobnosti, rozdělení a centrální limitní větu. Poskytuje matematický základ pro všechny inferenční techniky.

Lekce 1 • Techniky datového storytellingu

Aplikuje narativní strukturu, kontext a napětí na datové prezentace. Transformuje statické grafy na přesvědčivé analytické příběhy.

Lekce 2 • Principy vizuálního designu

Pokrývá pre-atentivní atributy, Gestalt principy a rámce pro výběr grafů. Ustanovuje pravidla designu aplikovaná v každé následující vizualizaci.

Lekce 3 • Základní typy grafů a případy užití

Buduje dovednosti v používání sloupcových, spojnicových, bodových, koláčových a mapových grafů. Propojuje každý typ grafu s analytickou otázkou, na kterou nejlépe odpovídá.

Lekce 4 • Návrh dashboardů

Učí principy rozvržení, hierarchie a interaktivity pro dashboardy s více grafy. Připravuje studenty na tvorbu provozních a exekutivních dashboardů.

Lekce 1 • Koncepty strojového učení

Definuje učení s učitelem, bez učitele a zpětnovazební učení s obchodními příklady. Ustanovuje koncepční mapu pro veškerou modelovací práci v této kapitole.

Lekce 2 • Regresní a predikční modely

Rozšiřuje regresi o polynomiální a regularizované formy a představuje predikci časových řad. Propojuje prediktivní modelování s provozním plánováním.

Lekce 3 • Shlukování a segmentace

Aplikuje k-means a hierarchické shlukování k segmentaci zákazníků a datových bodů. Umožňuje objevování vzorců bez učitele bez označených dat.

Lekce 4 • Základy výběru a nasazení modelu

Pokrývá křížovou validaci, ladění hyperparametrů a koncepty nasazení modelů. Připravuje studenty na přesun modelů z notebooků do produkce.

Lekce 1 • Tvorba plánu analytiky

Provádí studenty tvorbou fázované analytické roadmapy s milníky a plány zdrojů. Syntetizuje veškeré znalosti z kurzu do strategického výstupu.

Lekce 2 • Správa analytiky a kvalita dat

Ustanovuje struktury správy dat, role správců dat a standardy kvality ve velkém měřítku. Zajišťuje, že výstupy analytiky jsou důvěryhodné a v souladu s předpisy.

Lekce 3 • Měření návratnosti investic do analytiky

Pokrývá rámce pro kvantifikaci finančního a provozního dopadu analytických projektů. Buduje obchodní důvod pro pokračující investice do analytiky.

Lekce 4 • Budování kultury řízené daty

Řeší řízení změn, programy datové gramotnosti a sponzorství ze strany vedení. Propojuje individuální analytické dovednosti s organizační transformací.