Kurz Power BI a Pythonu

Lekce 1 • Nastavení vývojového prostředí

Nainstalujte Power BI Desktop a Python a poté nakonfigurujte cesty a závislosti. Tento základ zajistí, že každé následné cvičení proběhne bez chyb prostředí.

Lekce 2 • Rozhraní Power BI a klíčové koncepty

Seznamte se s rozhraním Power BI Desktop a porozumějte sestavám, datovým sadám a pracovním prostorům. Znalost uživatelského rozhraní urychlí veškerou pozdější práci s datovým modelováním.

Lekce 3 • Základy Pythonu pro práci s daty

Pokryjte syntaxi Pythonu, datové typy a řídicí tok relevantní pro analytické úlohy. Tyto dovednosti jsou základem každého skriptu v Pythonu použitého v Power BI.

Lekce 1 • Spouštění skriptů v Pythonu jako zdrojů dat

Spouštějte skripty v Pythonu přímo v Power BI pro generování nebo transformaci zdrojových dat. To propojí oba nástroje do jednotného pipeline pro příjem dat.

Lekce 2 • Využívání REST API a webových dat

Získávejte data z REST API pomocí knihovny requests v Pythonu a webových konektorů Power BI. Studenti získají dovednosti pro přístup k živým, dynamickým datům, která nejsou dostupná ve statických souborech.

Lekce 3 • Načítání dat pomocí Pythonu a pandas

Používejte pandas ke čtení CSV, Excel, JSON a SQL zdrojů do DataFrames. To zrcadlí příjem dat v Power BI a umožňuje předzpracování na straně Pythonu.

Lekce 1 • Přetváření a agregace dat

Provádějte pivot, melt, group a agregaci dat v pandas i Power Query. Dovednosti přetváření jsou nezbytné pro vytváření strukturovaných tabulek, které datové modely Power BI vyžadují.

Lekce 2 • Základy editoru Power Query

Používejte Power Query k filtrování, přejmenování, rozdělení a sloučení sloupců bez kódu. Tyto dovednosti založené na GUI pokrývají většinu rutinních úloh čištění.

Lekce 3 • Pokročilé Power Query s jazykem M

Pište výrazy v jazyce M pro automatizaci složitých transformací nad rámec GUI. Vlastní funkce v M rozšiřují Power Query o dynamickou, parametrizovanou logiku.

Lekce 1 • Optimalizace datového modelu

Snižte velikost modelu a zvyšte rychlost dotazů odstraněním sloupců, agregacemi a režimy úložiště. Optimalizace zajišťuje, že dashboardy zůstanou responzivní i při objemech podnikových dat.

Lekce 2 • Úvod do DAX

Pište počítané sloupce a základní míry pomocí syntaxe DAX a kontextu vyhodnocení. DAX je primárním jazykem pro všechny analytické výpočty v Power BI.

Lekce 3 • Středně pokročilé vzory v DAX

Aplikujte funkce CALCULATE, FILTER a časovou inteligenci k vytváření obchodních KPI. Tyto vzory pokrývají většinu reálných analytických požadavků.

Lekce 1 • Principy formátování a designu

Aplikujte konzistentní barvy, typografii a rozvržení pro tvorbu odborných sestav. Designová disciplína snižuje kognitivní zátěž a zvyšuje důvěru zainteresovaných stran.

Lekce 2 • Výběr správného typu vizuálu

Přiřaďte charakteristiky dat sloupcovým, spojnicovým, bodovým, mapovým a tabulkovým vizuálům. Správný výběr vizuálu je základem poctivé a čitelné datové komunikace.

Lekce 3 • Python vizuály v Power BI

Vykreslujte grafy z Matplotlib a Seaborn jako vizuály Power BI pomocí objektu Python visual. To zpřístupňuje statistické a vlastní typy grafů, které nejsou nativně k dispozici.

Lekce 1 • Popisná statistika s Pythonem

Počítejte souhrnné statistiky, distribuce a korelace pomocí pandas a NumPy. Tyto metriky tvoří základ pro veškerou hlubší analytickou práci.

Lekce 2 • Základy testování hypotéz

Aplikujte t-testy, chí-kvadrát testy a ANOVA pomocí SciPy k ověření obchodních hypotéz. Statistické testování poskytuje důkazy podložené zdůvodnění rozhodnutí.

Lekce 3 • Prezentace Python analytiky v Power BI

Předávejte statistiky vypočítané v Pythonu a výstupy modelů zpět do sestav Power BI. Tím se uzavírá smyčka mezi analýzou v Pythonu a dashboardy určenými pro obchod.

Lekce 1 • Začlenění predikcí do Power BI

Načítejte uložené modely scikit-learn uvnitř skriptů Pythonu v Power BI pro skórování nových dat. Predikce se stávají filtrovatelnými sloupci v živých sestavách bez nutnosti přetrénování.

Lekce 2 • Klasifikační a regresní modely

Trénujte rozhodovací stromy, náhodné lesy a lineární modely pomocí scikit-learn pipelines. Tyto algoritmy řeší nejčastější prediktivní obchodní problémy.

Lekce 3 • Přehled workflow strojového učení

Porozumějte end-to-end ML pipeline od přípravy dat po nasazení modelu. Jasné workflow zabraňuje běžným chybám ve feature engineeringu a evaluaci.

Lekce 1 • Zabezpečení na úrovni řádků a řízení přístupu

Definujte RLS role v DAX a přiřaďte uživatele k omezení viditelnosti dat podle rolí. Bezpečnostní pravidla zajišťují, že každý uživatel vidí pouze data, ke kterým má oprávnění.

Lekce 2 • Automatizace workflow pomocí Power Automate

Spouštějte toky Power Automate z upozornění Power BI a podmínek řízených daty. Automatizace snižuje potřebu ručního monitorování a urychluje reakci na obchodní události.

Lekce 3 • Datová linie a dokumentace

Používejte zobrazení linie a funkce endorsement k dokumentování původu datových sad. Jasná datová linie snižuje chybovost, když více týmů sdílí a staví na stejných datových sadách.