Den 1: AI v datové analýze
1. Převod business zadání na analytické
otázky, hypotézy a KPI.
2. Porozumění datovému modelu a výběr
relevantních proměnných s podporou AI.
3. Návrh analytického plánu a
postupu v Pythonu nebo SQL.
4. Průzkumná analýza dat pomocí Pandas a AI:
popisná statistika, rozdělení hodnot, korelace, segmentace, časové řady a
neobvyklé hodnoty.
5. Ověřování hypotéz navržených AI pomocí výpočtů v
Pythonu.
6. Praktické cvičení: od business otázky přes analýzu neznámého
datasetu až po ověřený závěr.
Den 2: AI při přípravě a kvalitě dat
1. Kontrola chybějících
údajů, kategorií, duplicit, datových typů, extrémních hodnot a
dat.
2. Návrh a ověřování pravidel kvality dat a business
pravidel.
3. Návrh postupu transformace dat s podporou AI a jeho
realizace v Pythonu.
4. Kontrola generovaného kódu: zachování významu
dat, hodnot NaN, odlehlých hodnot (outlierů) a rizika úniku dat (data
leakage).
5. Propojování souborů CSV, Excelu, SQL a API; kontrola
schémat, klíčů a operací JOIN.
6. Praktické cvičení Dirty Data
Challenge: vytvoření reprodukovatelného postupu čištění dat.
Den 3: Průzkumná analýza, vizualizace a
storytelling
1. Vyhledávání trendů, sezónnosti, segmentů, korelací,
anomálií a změn chování.
2. Rozlišování faktů, zjištění, hypotéz a
interpretací; validace analytických závěrů.
3. Výběr vhodné vizualizace
pro ověření konkrétní hypotézy.
4. Generování a kontrola kódu pro
vizualizaci v Plotly nebo Matplotlib.
5. Převod analytických zjištění na
business dopady a doporučení pro management.
6. Praktické cvičení: pět
zjištění, tři vizualizace, manažerské shrnutí a doporučení s rozlišením faktů,
interpretací AI a hypotéz.
Den 4: AI v oblasti strojového učení (Machine Learning)
1. Návrh
ML experimentu: cílová proměnná, vstupní proměnné, preprocessing, algoritmy,
validační strategie a metriky.
2. Identifikace úniku dat (data leakage)
a kontrola návrhu experimentu.
3. Tvorba a kontrola pipeline v Pythonu
pro přípravu dat, tvorbu příznaků (feature engineering), trénování a
vyhodnocování modelu.
4. Porovnání modelů Logistic Regression, Random
Forest a XGBoost.
5. Interpretace metrik Accuracy, Precision, Recall,
F1, ROC-AUC, RMSE, MAE a matice záměn (confusion
matrix).
6. Vysvětlování modelů pomocí SHAP a využití LLM při formulaci
business interpretace výsledků.
7. Praktické cvičení: kompletní ML
experiment s podporou AI, od definování business problému až po doporučení.
Den 5: AI agent v práci datového analytika
1. Delegování částí
analytické práce AI agentovi s přístupem k nástrojům Pandas, SQL, ML a
vizualizacím.
2. Vícekrokový pracovní postup od průzkumu dat přes
analýzu v Pythonu nebo SQL a ověřování hypotéz až po vytvoření
reportu.
3. Kontrolní body analytika a rozhodování podložené
důkazy.
4. Bezpečná práce s daty: cloudové LLM, osobní údaje, obchodní
tajemství, anonymizace a pseudonymizace.
5. Kontrola kódu generovaného
AI, auditovatelnost, reprodukovatelnost, halucinované závěry, data leakage a
prompt injection prostřednictvím externích dat.
6. Závěrečný projekt:
analýza výrobních dat, odstávek, kvality a nákladů; identifikace problémů,
predikční model a návrh opatření.
7. Propojení Pythonu, Pandas, SQL,
vizualizací, ML, LLM a analytického AI agenta v rámci jednoho projektu.
