Deň 1 AI v dátovej analýze
1. Prevod business zadania na analytické
otázky, hypotézy a KPI.
2. Pochopenie dátového modelu a výber
relevantných premenných s podporou AI.
3. Návrh analytického plánu a
postupu v Pythone alebo SQL.
4. Prieskumná analýza dát pomocou Pandas a
AI: opisné štatistiky, distribúcie, korelácie, segmentácia, časové rady a
neobvyklé hodnoty.
5. Overovanie hypotéz navrhnutých AI výpočtami v
Pythone.
6. Praktické cvičenie: od business otázky cez analýzu
neznámeho datasetu až po overený záver.
Deň 2 AI pri príprave a kvalite dát
1. Kontrola chýbajúcich
údajov, kategórií, duplicít, dátových typov, extrémnych hodnôt a
dátumov.
2. Návrh a overovanie pravidiel dátovej kvality a business
pravidiel.
3. Návrh transformačného postupu s AI a jeho vykonanie v
Pythone.
4. Kontrola generovaného kódu: zachovanie významu dát, NaN,
outliery a riziko data leakage.
5. Spájanie CSV, Excelu, SQL a API;
kontrola schém, kľúčov a joinov.
6. Praktické cvičenie Dirty Data
Challenge: vytvorenie reprodukovateľného postupu čistenia dát.
Deň 3 Prieskumná analýza vizualizácia a storytelling
1. Hľadanie
trendov, sezónnosti, segmentov, korelácií, anomálií a zmien
správania.
2. Rozlišovanie faktov, zistení, hypotéz a interpretácií;
validácia analytických záverov.
3. Výber vizualizácie na overenie
konkrétnej hypotézy.
4. Generovanie a kontrola vizualizačného kódu v
Plotly alebo Matplotlib.
5. Prevod zistení na business dopady a
odporúčania pre manažment.
6. Praktické cvičenie: päť zistení, tri
vizualizácie, manažérske zhrnutie a odporúčania s označením faktov,
interpretácií AI a hypotéz.
Deň 4 AI v Machine Learning
1. Návrh ML experimentu: cieľová
premenná, vstupné premenné, preprocessing, algoritmy, validačná stratégia a
metriky.
2. Identifikácia data leakage a kontrola návrhu
experimentu.
3. Tvorba a kontrola Python pipeline pre prípravu dát,
feature engineering, tréning a vyhodnotenie modelu.
4. Porovnanie
modelov Logistic Regression, Random Forest a XGBoost.
5. Interpretácia
Accuracy, Precision, Recall, F1, ROC-AUC, RMSE, MAE a confusion
matrix.
6. Vysvetľovanie modelov pomocou SHAP a využitie LLM pri
formulovaní business vysvetlenia.
7. Praktické cvičenie: kompletný ML
experiment s podporou AI od business problému po odporúčanie.
Deň 5 AI agent v práci dátového analytika
1. Delegovanie častí
analytickej práce agentovi s prístupom k Pandas, SQL, ML a
vizualizáciám.
2. Viackrokový postup od preskúmania dát cez Python
alebo SQL a overenie hypotéz až po report.
3. Kontrolné body analytika
a rozhodovanie podložené dôkazmi.
4. Bezpečná práca s dátami: cloudové
LLM, osobné údaje, obchodné tajomstvo, anonymizácia a
pseudonymizácia.
5. Kontrola AI-generovaného kódu, auditovateľnosť,
reprodukovateľnosť, halucinované závery, data leakage a prompt injection cez
externé dáta.
6. Záverečný projekt: analýza výrobných dát, odstávok,
kvality a nákladov; identifikácia problémov, predikčný model a návrh
opatrení.
7. Prepojenie Pythonu, Pandas, SQL, vizualizácií, ML, LLM a
analytického AI agenta v jednom projekte.
