Předpokládáme základy programování v libovolném jazyce – očekáváme znalost cyklů, podmínek a základních datových struktur. Python přitom není podmínkou: kurz začíná sjednocením základů, takže si ho během prvních lekcí osvojíte.
Kurz je určen pro každého, kdo chce pracovat s daty pomocí Pythonu, SQL a moderních nástrojů používaných v praxi – od ekonomů a vědců až po vývojáře a budoucí datové analytiky.
Připravují se na juniorní pozice v oblasti data analytics, business intelligence nebo data science a chtějí získat praktické zkušenosti.
Vývojáři, testeři i další techničtí specialisté, kteří chtějí rozšířit své dovednosti o práci s daty, reporting a základy machine learningu.
Profesionálové z financí, controllingu či marketingu, kteří chtějí přejít od Excelu k Pythonu, SQL a automatizovaným analýzám.
Potřebují efektivně zpracovávat data z výzkumu a experimentů, využívat statistiku a vytvářet srozumitelné vizualizace výsledků.
Kurz je veden online formou, takže se můžete připojit odkudkoliv. V lekcích kombinujeme vysvětlení, ukázky a praktická cvičení – výklad se střídá s praxí. Ze všech lekcí máte k dispozici videozáznamy.
Vysvětlení nového tématu, živé ukázky v Pythonu a kratší průběžná cvičení – ať už ve večerní lekci, nebo v dopoledním bloku víkendu.
Samostatná práce na datových úlohách, procvičení postupů a prostor na otázky – v týdenní formě v praktické lekci, o víkendu v odpoledních blocích.
Z lekcí budete mít k dispozici videozáznamy, ke kterým se můžete vracet při opakování nebo dohánění zameškané látky.
Mezi lekcemi (nebo mezi víkendy) dostanete úkoly pro samostatné procvičení, abyste si látku vyzkoušeli i mimo společnou výuku.
Během kurzu budete mít přístup do společného komunikátoru pro dotazy, sdílení řešení a komunikaci s lektorem i dalšími účastníky.
Každé nové téma má praktickou část: nejprve princip a typické použití, potom procvičení na reálných datech.
Kurz nabízíme ve dvou formách – konkrétní dny a časy vždy najdete na kartě zvoleného termínu.
První blok sjednotí základy Pythonu a SQL a naučí vás efektivně pracovat s tabulkovými daty pomocí knihovny Pandas – od načtení datasetu až po agregace a pokročilé SQL dotazy propojené s Pythonem.
Úvodní blok sjednotí základní práci s Pythonem a SQL tak, aby studenti měli společný jazyk pro další práci s daty. Projdou si typické datové struktury, základní přístup k tabulkám, čtení a úpravy dat a také nejčastější rozdíly mezi tím, jak se stejné úlohy řeší v Pythonu a v SQL.
Studenti si osvojí práci s modulem pandas jako hlavním nástrojem pro manipulaci s tabulkami v Pythonu. Téma se zaměří na dataframe, series a další důležité datové typy, dále na filtrování dat a na základní statistiky, které pomáhají rychle porozumět obsahu datasetu.
Druhý blok pandas naváže na základní práci s tabulkami a rozšíří ji o agregace a groupby operace. Studenti si ukážou, jak přehledně shrnovat data, vytvářet souhrnné pohledy a připravovat tabulky pro další analýzu i vizualizaci.
Lekce představí základy jazyka SQL a práci s relačními databázemi. Studenti se naučí psát základní dotazy SELECT, filtrovat data pomocí WHERE, řadit a seskupovat výsledky a používat agregační funkce. Získají tak pevný základ, na který naváže pokročilá práce se SQL v následující lekci.
Lekce prohloubí práci se SQL a ukáže, jak ji efektivně propojit s Pythonem při analytické práci. Studenti se seznámí s window functions, JOINy a s tím, jak kombinovat sílu databáze a Pythonu při zpracování větších datových sad.
Druhý blok vás provede vizualizací dat, základy statistiky a explorativní analýzou. Naučíte se číst grafy, odhalovat anomálie, pracovat s kvalitou dat a pochopíte roli ETL procesů v datovém ekosystému.
Studenti se naučí, jak data číst přes grafy a jak vybírat vhodný typ vizualizace podle cíle analýzy. Projdou si Plotly a Seaborn, základní přehled druhů grafů i postupy, jak dostat více dimenzí do 2D zobrazení bez ztráty čitelnosti.
Tento blok představí základní statistické nástroje pro datovou analýzu. Studenti si zopakují průměr, směrodatnou odchylku, rozptyl a korelaci a seznámí se s nejdůležitějšími distribucemi, zejména normálním a binomickým rozdělením.
V této části se studenti naučí využívat vizualizaci a statistiku k lepšímu pochopení dat. Součástí bude hledání anomálií, práce s chybějícími hodnotami, validace dat a praktické postupy, jak včas odhalit problémy v datasetu.
Teoreticky zaměřená lekce vysvětlí základní principy ETL procesů a jejich roli v datovém ekosystému. Studenti pochopí pojmy OLTP a OLAP, seznámí se s datovými sklady a s typickými zdroji dat, se kterými se v praxi pracuje.
Závěrečný blok propojí testování hypotéz, predikční modelování a práci s časovými řadami s reálnou praxí datových týmů. Získáte úvod do strojového učení a pochopíte, jak datová analýza funguje v provozu.
Lekce vysvětlí základy testování hypotéz a principy A/B testování při vyhodnocování změn v produktu nebo službě. Naváže regresní analýza a ukázka toho, jak z dat získat odpovědi na praktické otázky založené na měřitelných vztazích.
Studenti získají úvod do predikčního modelování a strojového učení. Projdou si rozdíl mezi supervised a unsupervised learning, klasifikaci a regresi i základní metody vyhodnocení správnosti modelu a jeho použitelnosti v praxi.
Blok se zaměří na analýzu a modelování časových řad. Studenti se seznámí s trendem, sezonality, základními statistickými modely i s tím, jak lze metody strojového učení využít pro predikci vývoje v čase.
Závěrečná lekce ukáže, jak datová analýza funguje v reálném provozu. Probere rozdíly mezi rolemi data analyst, data scientist a data engineer, základní principy dokumentace, plánování úloh a monitoringu i komunikaci se zákazníkem a zadavatelem.
Po absolvování kurzu budete umět kompletně zpracovat datovou analýzu – od načtení a čištění dat přes vizualizaci a statistiku až po základy predikčního modelování.
Naučíte se efektivně pracovat s daty pomocí Pythonu a knihovny Pandas, vytvářet dataframe struktury a provádět filtrování či agregace dat.
Osvojíte si JOINy, window functions i propojení SQL databází s Pythonem pro efektivní analytickou práci.
Naučíte se vytvářet přehledné grafy a datové vizualizace pomocí Plotly a Seaborn a správně interpretovat výsledky analýz.
Pochopíte základní statistické principy, práci s distribucemi, korelacemi, regresní analýzou a A/B testingem.
Získáte úvod do strojového učení, klasifikace, regrese i vyhodnocování úspěšnosti predikčních modelů.
Naučíte se řešit reálné datové úlohy, pracovat s kvalitou dat, ETL procesy, časovými řadami a pochopíte role v datových týmech.
V kurzu budete pracovat s moderními technologiemi používanými v datové analytice, business intelligence a machine learning projektech v reálné firemní praxi.
Jeden z nejpoužívanějších jazyků pro datovou analytiku, AI a automatizaci procesů.
Základní technologie pro práci s databázemi a datovými sklady používaná napříč IT.
Standardní Python knihovna pro zpracování a analýzu tabulkových dat.
Výkonná knihovna pro numerické výpočty a efektivní práci s datovými poli.
Moderní nástroj pro tvorbu interaktivních grafů a dashboardů.
Vizualizační knihovna pro statistické grafy a explorativní analýzu dat.
Jedna z nejrozšířenějších knihoven pro machine learning v Pythonu.
Oblíbené prostředí datových analytiků pro kombinaci kódu, grafů a dokumentace.
Kurzem to nekončí. I po jeho dokončení ti zůstává spousta výhod, na které se můžeš spolehnout:
Oficiální certifikát Turing Institutu, kterým doložíš své nově nabyté dovednosti.
Záznamy ze všech lekcí i studijní materiály zůstávají navždy tvoje – vracej se k nim, kdykoliv potřebuješ.
Discord plný lidí jako ty, newsletter s IT novinkami a exkluzivní akce jen pro členy.
Na tento kurz teď nemáme vypsaný žádný termín. Napište nám nebo zavolejte — dáme vám vědět, jakmile vypíšeme nový termín, a rádi se domluvíme i na termínu, který vám bude vyhovovat.
Kurz jsme přihlásili do programu Úřadu práce. Až ho ÚP schválí, může za tebe stát uhradit až 76,73 % ceny kurzu. Zapiš se na waitlist a dáme ti vědět mezi prvními.
Jak dotace fungujeStačí základy programování v libovolném jazyce – očekáváme znalost cyklů, podmínek a základních datových struktur. Python není podmínkou: první lekce vás sjednotí na společný základ.
Ne. Kurz začíná od sjednocení základů Pythonu a SQL a postupně vás provede celým procesem datové analýzy. Je vhodný pro začátečníky i pro vývojáře, kteří chtějí rozšířit své dovednosti o práci s daty.
Ne. Praktická cvičení probíhají v Jupyter Notebooku a pro většinu úloh stačí běžný notebook s prohlížečem. Náročnější výpočty řešíme v cloudovém prostředí, ke kterému získáte přístup.
Záleží na zvolené formě. U týdenní formy zabere výuka 2× 2 hodiny týdně; doporučujeme navíc cca 2–4 hodiny na úkoly a samostudium. U víkendové formy jde o 3 víkendy po sobě (sobota + neděle, cca 9:30–18:30) a mezi víkendy doporučujeme 4–6 hodin na domácí procvičení. Tempo si v rámci termínu určujete sami – k dispozici jsou i videozáznamy.
Kurz je orientován tak, že znalost pokročilé matematiky, jako je lineární algebra nebo diferenciální počet, není nutná. Na kurzu si vystačíme s jednoduchou matematikou a statistiku, kterou budeme používat, také vysvětlíme. Lektoři však ovládají i matematická a teoretická témata a v případě dotazů je rádi zodpoví.
Tyto dva kurzy stojí v katalogu vedle sebe, ale učí jinou dovednost.
Tento kurz je o datové analytice v praxi. Provedeme vás celým procesem: načíst a vyčistit data, psát SQL (včetně JOIN a window functions), pracovat s Pandas, vizualizovat v Plotly a Seaborn a opřít se o statistiku, A/B testování a explorativní analýzu. Ukážeme si ETL, práci s kvalitou dat, časové řady a jak analýza vypadá v reálném týmu — role analytika, data scientista a data engineera. Strojové učení tu máte jako úvod: predikční modelování, klasifikace, regrese a vyhodnocení modelu ve Scikit-learn. Cíl je umět z dat vytěžit odpověď a srozumitelně ji předat.
Machine learning a Neuronové sítě jde do hloubky modelů. Stavíte a trénujete vlastní sítě — od klasických algoritmů přes konvoluční sítě na obraze, generativní sítě (GAN) a autoenkodéry až po LSTM a zpracování jazyka. Pracujete v TensorFlow / Keras. Cíl je pochopit, jak se model učí z dat, umět ho vyhodnotit a ladit — ne postavit kompletní analytický workflow od SQL po graf.
Kurzy se potkávají u predikcí a základů ML. Tady je to jedna lekce v kontextu analytické praxe; tam je to hlavní téma na celý kurz. Data tady čistíte, agregujete a vizualizujete. V Machine learningu je příprava dat prostředek k trénování sítě, ne cíl.
Jednoduché vodítko: chcete pracovat s firemními daty, SQL, grafy a statistikou a rozumět, co z nich plyne — zůstaňte tady. Chcete sami trénovat neuronové sítě a jít do deep learningu — jděte do kurzu Machine learning a Neuronové sítě. Pokud vás zajímá stavět aplikace nad hotovými jazykovými modely (agenti, RAG, LangChain), to je třetí cesta: Programátor AI Agentů. Kurzy na sebe navazují, jeden není podmínkou druhého.
Podrobnější srovnání všech AI kurzů podle cíle najdete v článku Jaký AI kurz si vybrat?.