Profil uczestników

Bootcamp jest przeznaczony dla osób, które posiadają wiedzę z zakresu zastosowania arkusza kalkulacyjnego oraz podstaw statystyki i relacyjnych baz danych, a zamierzają pracować w zawodzie analityka danych. 

Przygotowanie uczestników

Od uczestników naszego intensywnego szkolenia z analizy danych wymagana jest znajomość:

• Microsoft Excel w stopniu przynajmniej dobrym
• podstaw teoretycznych statystyki
• podstaw relacyjnych baz danych (nie jest wymagana znajomość konkretnego języka dostępu do bazy danych ani konkretnej platformy bazodanowej).

Nie jest wymagane wykształcenie kierunkowe.

26 dni, 208 godzin szkoleniowych

Harmonogram spotkań

- harmonogram w trakcie ustalania

Moduł 1. Organizacja i przebieg procesu analizy danych

1.1. Wprowadzenie do analizy danych

•        Czym jest analiza danych – definicja, cele, znaczenie biznesowe

•        Rola analityka danych w organizacji

•        Rodzaje analiz: opisowa, diagnostyczna, predykcyjna, preskrypcyjna

•        Przegląd narzędzi analitycznych stosowanych w kursie

•        Etyka i odpowiedzialność w pracy z danymi

1.2. Metodyka CRISP-DM

•        Omówienie faz metodyki CRISP-DM:

◦       Zrozumienie biznesowe (Business Understanding)

◦       Zrozumienie danych (Data Understanding)

◦       Przygotowanie danych (Data Preparation)

◦       Modelowanie (Modeling)

◦       Ewaluacja (Evaluation)

◦       Wdrożenie (Deployment)

•        Zastosowanie CRISP-DM w praktycznych projektach analitycznych

•        Iteracyjność procesu – powroty między fazami

1.3. Sztuczna inteligencja w analizie danych

•        Podstawowe pojęcia z zakresu AI – generatywna AI i jej zastosowania. Duży model językowy oraz agent AI. 

•        Zarządzanie kontekstem i konwersacją. Rola pamięci agenta AI w analizie danych.

•        Narzędzia wykorzystywane przez agentów AI w analizie danych – generowanie kodu, przeszukiwanie internetu.

•        Dostosowywanie agentów AI do własnych potrzeb – personalizacja, umiejętności (skills).

•        Bezpieczeństwo i prywatność danych.

•        Praktyczna analiza danych z użyciem agenta AI – wprowadzanie danych do kontekstu, konwersacja, praca z treścią generowaną przez agenta AI.

1.4. Sztuczna inteligencja w organizacji procesu analizy

•        Wykorzystanie narzędzi AI (np. ChatGPT, Copilot) do planowania projektów analitycznych

•        Automatyzacja dokumentowania procesów analizy za pomocą AI

•        AI jako wsparcie w definiowaniu pytań biznesowych i hipotez

Moduł 2. Pozyskiwanie i przekształcanie danych

2.1. Formy magazynowania danych

•        Pliki płaskie: CSV, TXT, JSON, XML – charakterystyka, wady i zalety

•        Arkusze kalkulacyjne jako źródło danych

•        Relacyjne bazy danych – zasady działania

•        Hurtownie danych i koncepcja Data Warehouse

•        Jeziora danych (Data Lake) – wprowadzenie

•        Chmurowe źródła danych – przegląd rozwiązań

•        Interfejsy API jako źródło danych

2.2. Power Query – pobieranie i przekształcanie danych

2.2.1. Power Query w Excel

•        Łączenie z różnymi źródłami danych (pliki, bazy danych, usługi online)

•        Edytor Power Query – interfejs i podstawowe operacje

•        Czyszczenie danych: usuwanie duplikatów, obsługa braków, zmiana typów

•        Przekształcenia kolumn: podział, scalanie, wyodrębnianie wartości

•        Filtrowanie i sortowanie danych

•        Operacje na tabelach: dopisywanie (Append), scalanie (Merge)

•        Grupowanie i agregacja danych

•        Tworzenie kolumn niestandardowych i warunkowych

•        Parametryzacja zapytań

•        Język M – podstawy składni i zastosowania

2.2.2. Power Query w Power BI

•        Różnice i rozszerzenia w stosunku do Power Query w Excel

•        Pobieranie danych z usług chmurowych i baz danych

•        Zaawansowane transformacje danych

•        Profilowanie danych – analiza jakości źródła

•        Zarządzanie zapytaniami i optymalizacja wydajności

•        Tworzenie funkcji w języku M

2.3. Język SQL i relacyjne bazy danych

2.3.1. Podstawy SQL Server

•        Architektura SQL Server – instancje, bazy danych, schematy

•        SQL Server Management Studio (SSMS) – nawigacja i konfiguracja

•        Tworzenie baz danych i tabel

•        Typy danych w SQL Server

•        Klucze główne, obce, indeksy

2.3.2. Zapytania SQL

•        Instrukcja SELECT – pobieranie danych, filtrowanie (WHERE), sortowanie (ORDER BY)

•        Funkcje agregujące: COUNT, SUM, AVG, MIN, MAX

•        Grupowanie danych: GROUP BY, HAVING

•        Złączenia tabel: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL JOIN, CROSS JOIN

•        Podzapytania (subqueries) i wyrażenia CTE (Common Table Expressions)

•        Funkcje okna (Window Functions): ROW_NUMBER, RANK, DENSE_RANK, LAG, LEAD, SUM OVER

•        Operacje na typach danych: daty, łańcuchy znaków, konwersje

•        Instrukcje DML: INSERT, UPDATE, DELETE

•        Tworzenie widoków (Views)

•        Procedury składowane – podstawy tworzenia i wywoływania

•        Wprowadzenie do problematyki optymalizacji zapytań – plany wykonania, indeksy

2.3.3. SQL a Power Query / Power BI

•        Importowanie danych z SQL Server do Power Query i Power BI

•        Tryb DirectQuery vs Import – kiedy stosować

•        Pisanie natywnych zapytań SQL w Power BI

2.4. Sztuczna inteligencja w pozyskiwaniu i przekształcaniu danych

•        Wykorzystanie AI do automatycznego rozpoznawania struktury danych

•        Generowanie zapytań SQL i formuł M za pomocą narzędzi AI

•        AI w procesie czyszczenia i uzupełniania brakujących danych

•        Copilot w Excel / Power BI – automatyzacja przygotowania danych

Moduł 3. Tworzenie modeli danych

3.1. Modelowanie danych w Excel (Power Pivot)

•        Wprowadzenie do Power Pivot – włączenie dodatku, interfejs

•        Importowanie danych z różnych źródeł do modelu danych

•        Tworzenie relacji między tabelami

•        Model gwiazdy (Star Schema) i model płatka śniegu (Snowflake Schema)

•        Wprowadzenie do języka DAX:

◦       Miary (Measures) vs kolumny obliczeniowe (Calculated Columns)

◦       Funkcje podstawowe: SUM, AVERAGE, COUNT, DISTINCTCOUNT

◦       Funkcje kontekstowe: CALCULATE, FILTER, ALL, ALLEXCEPT

◦       Funkcje inteligencji czasowej: TOTALYTD, SAMEPERIODLASTYEAR, DATEADD

◦       Funkcje iteracyjne: SUMX, AVERAGEX, RANKX

•        Hierarchie i tabele dat (Date Tables)

•        KPI – kluczowe wskaźniki efektywności w modelu danych

3.2. Modelowanie danych w Power BI

•        Tworzenie i zarządzanie relacjami w Power BI Desktop

•        Konfiguracja kierunkowości filtrowania (Single vs Bi-directional)

•        Role Level Security (RLS) – bezpieczeństwo na poziomie wierszy

•        Zaawansowane miary DAX w Power BI:

◦       Zmienne (VAR / RETURN)

◦       Tabele wirtualne (SUMMARIZE, ADDCOLUMNS, CROSSJOIN)

◦       Obsługa relacji wiele-do-wielu

◦       Grupy obliczeń (Calculation Groups) – wprowadzenie

◦       Obliczenia wizualne

•        Optymalizacja modelu danych pod kątem wydajności oraz rozmiaru

•        Najlepsze praktyki w projektowaniu modeli semantycznych

•        Modelowanie typowych scenariuszy biznesowych

3.3. Zaawansowane funkcje pracy z danymi w Excel

•        Funkcje wyszukiwania: XLOOKUP, INDEX/MATCH, VLOOKUP

•        Funkcje tablicowe i dynamiczne tablice: FILTER, SORT, UNIQUE, SEQUENCE

•        Funkcje tekstowe i daty w zaawansowanych scenariuszach

•        Funkcja LET – zmienne w formułach

•        Funkcja LAMBDA – tworzenie własnych funkcji wielokrotnego użytku

•        Zaawansowana walidacja danych

•        Tabele strukturalne i odwołania strukturalne

•        Połączenie Excela z zewnętrznymi źródłami danych

3.4. Sztuczna inteligencja w modelowaniu danych

•        Wykorzystanie AI do sugerowania optymalnej struktury modelu danych

•        Generowanie formuł DAX za pomocą Copilot i narzędzi AI

•        Diagnostyka i wykrywanie problemów w strukturze modelu z użyciem agenta AI

•        Wykorzystanie agentów AI oraz dedykowanych AI funkcji arkuszowych w Excel (COPILOT, LABS.GENERATIVEAI)

Moduł 4. Analiza i wizualizacja danych w Excel

4.1. Tabele przestawne (Pivot Tables)

•        Tworzenie i konfiguracja tabel przestawnych

•        Grupowanie danych w tabelach przestawnych

•        Pola obliczeniowe i elementy obliczeniowe

•        Fragmentatory (Slicers) i osie czasu (Timelines)

•        Połączenie tabel przestawnych z modelem danych Power Pivot

•        Tabele przestawne oparte na miarach DAX

4.2. Wizualizacja danych w Excel

•        Zasady skutecznej wizualizacji danych

•        Wykresy standardowe: kolumnowe, liniowe, kołowe, punktowe

•        Wykresy zaawansowane: waterfall, combo, histogram, box plot

•        Wykresy przestawne (Pivot Charts)

•        Sparklines – mikrowykresy w komórkach

•        Formatowanie warunkowe jako narzędzie wizualizacji

•        Tworzenie interaktywnych dashboardów w Excel

•        Mapy 3D (Power Map) – wizualizacja danych geograficznych

4.3. Analiza statystyczna w Excel

•        Statystyki opisowe: średnia, mediana, odchylenie standardowe, percentyle

•        Dodatek Analysis ToolPak – przegląd narzędzi

•        Analiza korelacji i regresji

•        Analiza scenariuszy: Solver, tabele danych, menedżer scenariuszy

•        Prognozowanie z wykorzystaniem wbudowanych funkcji (FORECAST)

4.4. Sztuczna inteligencja w analizie danych w Excel

•        Funkcje AI w Excel: XLOOKUP z inteligentnymi sugestiami

•        Copilot w Excel – automatyczne generowanie formuł, wykresów i analiz

•        Analiza danych z użyciem funkcji IDEAS (Analyze Data)

•        Generowanie podsumowań i insightów przez AI

•        Automatyczne wykrywanie trendów i anomalii

Moduł 5. Analiza i wizualizacja danych w Power BI

5.1. Interfejs i struktura Power BI Desktop

•        Widoki: raport, dane, model

•        Obszar filtrów, panele wizualizacji i pól

•        Zarządzanie stronami raportu

5.2. Tworzenie wizualizacji w Power BI

•        Wizualizacje standardowe: wykresy kolumnowe, liniowe, kołowe, mapowe

•        Wizualizacje zaawansowane: Treemap, Funnel, Waterfall, Ribbon, Decomposition Tree

•        Tabele i macierze – formatowanie warunkowe, paski danych

•        Obliczenia wizualne – formuły DAX na poziomie wizualizacji

•        Karty (Cards) i wskaźniki KPI

•        Wizualizacje niestandardowe z AppSource

•        Tooltips – niestandardowe podpowiedzi

•        Drillthrough i drilldown – nawigacja w danych

•        Zakładki (Bookmarks) i przyciski nawigacyjne

5.3. Interaktywność i zaawansowane funkcje raportów

•        Fragmentatory i filtry – konfiguracja i synchronizacja

•        Interakcje między wizualizacjami (Edit Interactions)

•        Parametry What-if i dynamiczne miary

•        Grupy obliczeń – dynamiczne przełączanie miar

•        Row-Level Security – konfiguracja i testowanie

•        Tworzenie kompletnych dashboardów analitycznych

•        Dobre praktyki projektowania raportów (UX/UI)

5.4. Publikowanie i udostępnianie raportów

•        Power BI Service – publikowanie raportów w chmurze

•        Obszary robocze (Workspaces) i aplikacje

•        Odświeżanie danych – harmonogramy, bramy danych (Gateway)

•        Udostępnianie raportów i dashboardów

•        Eksport danych i raportów

5.5. Sztuczna inteligencja w Power BI

•        Key Influencers – automatyczna analiza czynników wpływających

•        Decomposition Tree – interaktywna analiza przyczynowo-skutkowa

•        Smart Narratives – automatyczne generowanie opisów tekstowych

•        Anomaly Detection – wykrywanie odchyleń w danych szeregów czasowych

•        Copilot w Power BI – tworzenie raportów i miar za pomocą języka naturalnego

•        Automatyczne generowanie insightów (Quick Insights)

Moduł 6. Język Python w analizie i wizualizacji danych

6.1. Podstawy języka Python

•        Konfiguracja środowiska: Python, Jupyter Notebook, VS Code

•        Wykorzystanie Google Colaboratory

•        Typy danych, zmienne, operatory

•        Struktury danych: listy, krotki, słowniki, zbiory

•        Instrukcje warunkowe i pętle

•        Funkcje – definiowanie, argumenty, wartości domyślne

•        Praca z plikami (odczyt, zapis)

6.2. Python w analizie danych – biblioteki

6.2.1. NumPy

•        Tablice wielowymiarowe (ndarray)

•        Operacje matematyczne i statystyczne na tablicach

•        Indeksowanie, wycinanie, filtrowanie

6.2.2. Pandas

•        DataFrame i Series – tworzenie, indeksowanie, selekcja danych

•        Importowanie danych: CSV, Excel, JSON, SQL

•        Czyszczenie danych: brakujące wartości, duplikaty, typy danych

•        Transformacje: merge, join, concat, pivot, melt, stack/unstack

•        Grupowanie i agregacja (groupby)

•        Funkcje okna (rolling, expanding, shift)

•        Praca z seriami czasowymi (datetime, resample)

•        Optymalizacja pamięci i wydajności

6.2.3. Połączenie Pythona z SQL Server

•        Biblioteki: pyodbc, sqlalchemy

•        Wykonywanie zapytań SQL z poziomu Pythona

•        Zapisywanie wyników do bazy danych

•        Automatyzacja raportowania z bazy danych

6.3. Wizualizacja danych w Pythonie

6.3.1. Matplotlib

•        Tworzenie wykresów: liniowe, słupkowe, kołowe, punktowe

•        Formatowanie: tytuły, osie, legendy, adnotacje

•        Subplots – wiele wykresów na jednym rysunku

•        Eksport wykresów do plików

6.3.2. Seaborn

•        Wykresy statystyczne: heatmap, pairplot, boxplot, violinplot

•        Wizualizacja rozkładów i korelacji

•        Stylizacja i palety kolorów

6.3.3. Plotly

•        Interaktywne wizualizacje

•        Wykresy 3D i mapy

•        Dashboardy z użyciem Plotly Dash – wprowadzenie

6.4. Analiza dużych zbiorów danych z wykorzystaniem Apache Spark

•        Wprowadzenie do Big Data i Apache Spark

•        Architektura Spark: Driver, Executor, Cluster Manager

•        PySpark – konfiguracja i podstawy

•        Spark DataFrames – tworzenie, transformacje, akcje

•        Spark SQL – zapytania na dużych zbiorach danych

•        Przetwarzanie danych w trybie wsadowym i strumieniowym

•        Integracja PySpark z Pandas

6.5. Uczenie maszynowe w analizie danych

6.5.1. Podstawy uczenia maszynowego

•        Uczenie nadzorowane vs nienadzorowane

•        Rodzaje algorytmów: klasyfikacja, regresja, grupowanie, reguły asocjacyjne

•        Podział danych: zbiór treningowy, walidacyjny, testowy

•        Metryki oceny modeli: accuracy, precision, recall, F1-score, RMSE, MAE, R2

•        Przeuczenie (overfitting) i niedouczenie (underfitting)

•        Walidacja krzyżowa (Cross-Validation)

•        Inżynieria cech: kodowanie zmiennych, skalowanie, selekcja cech

6.5.2. Algorytmy klasyfikacji i regresji

•        Regresja liniowa i logistyczna

•        Drzewa decyzyjne i lasy losowe (Random Forest)

•        K-najbliższych sąsiadów (KNN)

•        Support Vector Machines (SVM) – wprowadzenie

•        Gradient Boosting: XGBoost, LightGBM – wprowadzenie

6.5.3. Algorytmy grupowania i redukcji wymiarów

•        K-Means – grupowanie danych

•        DBSCAN

•        Analiza skupień hierarchicznych

•        PCA (Principal Component Analysis) – redukcja wymiarów

6.5.4. Biblioteka scikit-learn – funkcje zaawansowane

•        Pipeline – budowanie potoków przetwarzania

•        Strojenie hiperparametrów (GridSearchCV, RandomizedSearchCV)

•        Interpretacja modeli: Feature Importance, SHAP – wprowadzenie

6.6. Sztuczna inteligencja w analizie danych z użyciem języka Python

•        Przetwarzanie języka naturalnego (NLP) – podstawy:

◦       Tokenizacja i wektoryzacja tekstu

◦       Embedding

◦       Analiza sentymentu z użyciem gotowych modeli

•        Wykorzystanie API modeli językowych (OpenAI, Anthropic) w analizie danych

•        Automatyzacja analizy danych z użyciem AI:

◦       Generowanie kodu analitycznego przez modele językowe

◦       Automatyczne podsumowywanie wyników analizy

◦       Wsparcie eksploracyjnej analizy danych (EDA) przez narzędzia AI

◦       Wykorzystanie kodu generowanego przez AI w analizie danych wrażliwych

•        Generatywna AI w tworzeniu raportów i prezentacji wyników

•        Odpowiedzialne stosowanie AI – bias, interpretowalność, etyka

Moduł 7. Wdrażanie analizy danych w przedsiębiorstwie

7.1. Proces wdrożenia projektów analitycznych

•        Od prototypu do produkcji – ścieżka wdrożenia

•        Definiowanie wymagań biznesowych i KPI

•        Komunikowanie wyników analizy interesariuszom

•        Storytelling z danymi – budowanie narracji analitycznej

•        Dokumentacja projektu analitycznego

7.2. Ewaluacja wyników analizy

•        Metody oceny jakości analizy

•        Walidacja wyników z ekspertami domenowymi

•        Testowanie A/B – zasady i zastosowania

•        Monitorowanie modeli w produkcji

•        Cykl życia modelu analitycznego

7.3. Zarządzanie danymi w organizacji (przegląd)

•        Data Governance – zasady zarządzania danymi

•        Jakość danych – wymiary i metryki

•        RODO/GDPR – ochrona danych osobowych w kontekście analityki

•        Bezpieczeństwo danych i kontrola dostępu

7.4. Sztuczna inteligencja we wdrażaniu analityki

•        AI w automatyzacji raportowania i dystrybucji wyników

•        Chatboty analityczne – konwersacyjny dostęp do danych

•        Integracja narzędzi AI z istniejącą infrastrukturą danych

•        Trendy i kierunki rozwoju AI w analizie danych

•        Budowanie kultury data-driven z wykorzystaniem AI

Moduł 8. Konsultacje z doradcą HR

8.1. Rozwój kariery analityka danych

•        Profil kompetencyjny analityka danych

•        Ścieżki kariery: Data Analyst, BI Analyst, Data Scientist, Data Engineer

•        Przygotowanie CV i portfolio projektów analitycznych

•        Rozmowa kwalifikacyjna – typowe pytania i zadania rekrutacyjne

•        Certyfikacje branżowe: Microsoft, Google, Tableau

•        Budowanie marki osobistej i networking w branży danych

POBIERZ PROGRAM W PDF

• materiały szkoleniowe
• certyfikat potwierdzający udział w kursie
• pełna obsługa cateringowa (dla szkoleń stacjonarnych)