Předpokládají se základy programování v Pythonu a logické myšlení. Pokud Python zatím neovládáte, zvládnete si ho během prvních lekcí zopakovat – kurz začíná sjednocením základů.
Kurz je určen pro každého, kdo chce proniknout do datové analytiky a naučit se pracovat s daty pomocí Pythonu, SQL a moderních nástrojů používaných v praxi.
Chtějí proniknout do světa datové analytiky a naučit se pracovat s Pythonem, SQL a moderními datovými nástroji používanými v praxi.
Potřebují rozšířit své technické znalosti o práci s daty, automatizaci analýz, reporting a základy machine learningu.
Připravují se na juniorní pozice v oblasti data analytics, business intelligence nebo data science a chtějí získat praktické zkušenosti.
Administrátoři, analytici i další techničtí specialisté, kteří chtějí lépe pracovat s daty a rozumět moderní datové analytice.
Kurz je veden online formou, takže se můžete připojit odkudkoliv. V lekcích kombinujeme vysvětlení, ukázky a praktická cvičení – každý tematický blok obsahuje 2 hodiny výkladu a 2 hodiny praktického procvičování. Ze všech lekcí máte k dispozici videozáznamy.
První setkání v týdnu je zaměřené na vysvětlení nového tématu, živé ukázky v Pythonu a kratší průběžná cvičení.
Druhé setkání v týdnu je čistě praktické. Budete řešit datové úlohy, procvičovat postupy a ptát se na nejasnosti.
Z lekcí budete mít k dispozici videozáznamy, ke kterým se můžete vracet při opakování nebo dohánění zameškané látky.
Mezi lekcemi 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.
Výuka probíhá pravidelně dvakrát týdně ve večerním čase, vždy od 18:00 do 20:00.
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.
Předpokládají se základy programování v Pythonu. Pokud Python zatím neovládáte, první lekce vás sjednotí na společný základ – stačí logické myšlení a chuť učit se. Probíraná témata nejsou programátorsky náročná.
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.
Výuka zabere 2× 2 hodiny týdně (lekce). Doporučujeme navíc cca 2–4 hodiny na domácí úkoly a samostudium – ale tempo si určujete sami.