ACREA CR

Svěřte svá data do rukou odborníků. Máme mnohaleté zkušenosti v oblasti analýzy dat, statistiky, data miningu a text miningu. O své cenné znalosti se s vámi rádi podělíme a předáme vám know-how pro úspěšné dokončení vašich projektů. Odpovíme vám na všechny analytické otázky, zkontrolujeme postupy a doporučíme vhodné procedury. Poradíme vám s přípravou a čištěním dat nebo i se samotnou prezentací výsledků.

Kurz Statistická analýza dat v praxi - od pojmů k interpretaci výsledků obsahuje: 15 půldenních lekcí vždy v pátek dopoledne, on-line termín: 5.3. - 18.6.2027. Účastníci kurzu získají ucelený přehled o nejčastěji využívaných postupech analýzy dat, které je možné aplikovat bez ohledu na statistický software. Seznámíte se s základy pro analytickou práci a statistickými metodami od základních měr po vícerozměrné. Základní pojmy statistické analýzy dat: definice a rozbor statistických pojmů, typy statistických analýz, inference, explorační techniky. Popisné statistiky: popis statistických dat (tabelace, grafické znázornění) – jak vytvářet statistické tabulky a grafy. Měření úrovně a heterogenity dat: momentové a kvantilové míry: průměry, mediány, kvartily, decily, rozptyl, měření vnitřní heterogenity souboru, grafy rozptýlení dat (box-ploty) a grafy rozptylu, konfidenční intervaly. Testování hypotéz a intervaly spolehlivosti: neurčitost v datech – rozhodování za neurčitosti, statistické hypotézy, jejich přijímání a zamítání. Testy hypotéz o průměrech (t-testy). Analýza průměrů ve skupinách: jednoduchá analýza rozptylu, porovnání skupinových průměrů a rozptylů, spojování skupin se stejnou úrovní vlastnosti, apriorní komparace (kontrasty), aposteriorní seskupování podle jedné a více proměnných (postupné vyhledávání interakcí na stromech), vícefaktorová analýza rozptylu. Kontingenční tabulky: základní zobrazení souvislosti dvou proměnných, různé formy procent, Chi-kvadrát test nezávislosti, kontingenční koeficient, znaménkové schéma v kontingenčních tabulkách. Korelační analýza: lineární korelace, práce s korelační maticí, vlastnosti korelačních měr, parciální korelace, řetězení vlivů, společná příčina dvou vlastností (nepravé korelace), korelační grafy, korelace a kauzalita. Regresní analýza: lineární regresní analýza, interpretace regresní přímky, popis, vysvětlení a predikce, nelineární vztahy, vícenásobná regresní analýza; metody výběru regresorů v rovnici; určení kvality modelu regresního vztahu. Faktorová analýza: latentní vlastnosti a jejich indikace, faktory ovlivňující korelační matici, faktorová řešení, rotace, zobrazení faktorů, interpretace, uložení a analýza faktorů. Seskupovací metody, segmentace a vytváření typologií: seskupování případů z hlediska datového profilu, typ a typologie, segmenty trhu, analýza a interpretace typů Časové řady: ARIMA modely, typy trendů, sezónnost. Analýza délky přežití: Kaplan-Meierova funkce, Coxova regrese.

Kurz: Datová věda, strojové učení a umělá inteligence (v Pythonu): 15 půldenních lekcí každý čtvrtek dopoledne, termín: 11.3. - 24.6.2027, on-line. Kurz vás provede všemi kroky práce s daty, strojovými modely a umělou inteligencí. Dozvíte se, jak si připravit data pro strojové učení, jak fungují predikční algoritmy a jak zapojit umělou inteligenci do rozhodování. Kurz je určen pro ty, kdo chtějí využívat elektronická data na vyšší úrovni, než jakou poskytuje reportování. Datová věda a umělá inteligence se používá napříč obory od medicíny přes státní správu, výrobu až po finanční sektor. Řešené úlohy cílí na pacienty, stroje, výrobky, zákazníky, úvěry, transakce, žádosti, pojistné události a mnoho dalších objektů, o kterých existují elektronická data v libovolném formátu. Znalosti nabité v kurzu využijí zkrátka ti, kdo potřebují rozhodovat, diagnostikovat, doporučovat nebo navrhnout postup řešení konkrétního problému. Program kurzu: úlohy datové vědy a metodologie CRISP-DM, datový audit, příprava dat pro strojové učení, vybrané metody strojového učení, vytěžování textových dat, velký jazykový model, vytváření agentů, evaluace predikčních modelů, nasazení řešení do provozu a jeho monitorování.