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.
• Uczestnik musi posiadać konto Google (wystarczające jest konto darmowe).

W ramach kursu prezentowane będą narzędzia wymagające płatnych subskrypcji lub licencji. Celem jest przekazanie Uczestnikom jak najpełniejszego obrazu dostępnych na rynku rozwiązań. Centrum Szkoleniowe Comarch zapewni Uczestnikom płatną subskrypcję narzędzia AI Claude Pro.

Kurs składa się z:

• 26 zdalnych spotkań na żywo. Spotkania odbywają się dwa razy w tygodniu. Każde trwa 4 godziny szkoleniowe (104 godziny pracy z trenerem).
• 80 godzin szkoleniowych e-learningu 

Harmonogram spotkań: 

(sobota: 9.00-12.00, środa; 18.00-21.00)

• 17 czerwca
• 20 czerwca
• 1 lipca
• 4 lipca
• 8 lipca
• 11 lipca
• 15 lipca
• 18 lipca
• 22 lipca
• 25 lipca
• 29 lipca
• 1 sierpnia
• 5 sierpnia
• 8 sierpnia
• 19 sierpnia
• 22 sierpnia
• 26 sierpnia
• 16 września
• 19 września
• 23 września
• 26 września

5 spotkań w październiku (do ustalenia)

Moduł 1. Organizacja i przebieg procesu analizy danych

Wprowadzenie do analizy danych

Ten moduł pełni funkcję fundamentu całego szkolenia – porządkuje pojęcia, ustawia wspólne rozumienie analizy danych oraz pokazuje jej realną wartość w kontekście biznesowym. Dzięki temu uczestnicy nie tylko uczą się narzędzi, ale rozumieją, dlaczego i kiedy ich używać. Wprowadzenie do roli analityka oraz aspektów etycznych pozwala od początku kształtować właściwe podejście do pracy z danymi, co jest kluczowe w środowisku profesjonalnym.

• 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

Metodyka CRISP-DM

Metodyka CRISP-DM porządkuje cały proces analityczny – od zdefiniowania problemu biznesowego po wdrożenie rozwiązania. Jej znajomość pozwala uniknąć chaosu projektowego, zwiększa skuteczność pracy z danymi i ułatwia komunikację z interesariuszami.

• 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

Sztuczna inteligencja w analizie danych

Sztuczna inteligencja, w szczególności generatywne modele językowe i agenci AI, istotnie zmieniają sposób pracy analityków danych, automatyzując wiele zadań i wspierając proces analizy. Zrozumienie ich działania oraz ograniczeń pozwala efektywnie i bezpiecznie wykorzystywać je w praktyce projektowej.

• 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.

Sztuczna inteligencja w organizacji procesu analizy

Wykorzystanie AI w organizacji procesu analizy pozwala usprawnić planowanie, dokumentowanie oraz definiowanie problemów biznesowych. Dzięki temu analityk może skupić się na kluczowych aspektach merytorycznych, redukując czas poświęcany na zadania organizacyjne i formalne.

• 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

Formy magazynowania danych

Analityk danych pracuje z danymi pochodzącymi z różnych źródeł i w różnych formatach. Zrozumienie, gdzie i jak dane są przechowywane, pozwala je poprawnie odczytać, przetwarzać i analizować.

• 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

Power Query – pobieranie i przekształcanie danych

Większość pracy analityka polega na przygotowaniu danych do analizy. Power Query to narzędzie, które pozwala automatycznie pobierać, czyścić i przekształcać dane, dzięki czemu oszczędza czas i zmniejsza liczbę błędów.

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

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

Język SQL i relacyjne bazy danych

SQL to podstawowy język pracy z danymi w bazach danych. Większość danych w firmach jest przechowywana w relacyjnych bazach danych, dlatego umiejętność ich obsługi i pisania zapytań jest kluczowa dla analityka.

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

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

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

Sztuczna inteligencja w pozyskiwaniu i przekształcaniu danych

Sztuczna inteligencja coraz częściej wspiera pracę analityka, szczególnie w przygotowaniu danych. Pozwala szybciej wykonywać powtarzalne zadania i ułatwia pracę osobom mniej doświadczonym.

•        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

Modelowanie danych w Excel (Power Pivot)

Power Pivot pozwala tworzyć zaawansowane modele danych bez potrzeby używania skomplikowanych narzędzi bazodanowych. Dzięki temu analityk może pracować na dużych zbiorach danych i tworzyć bardziej zaawansowane analizy bezpośrednio w Excelu.

• 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

Modelowanie danych w Power BI

Power BI jest jednym z najważniejszych narzędzi do analizy i wizualizacji danych. Dobrze zaprojektowany model danych w Power BI decyduje o poprawności wyników, wydajności raportów i łatwości ich rozbudowy.

• 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

Zaawansowane funkcje pracy z danymi w Excel

Excel jest jednym z podstawowych narzędzi pracy analityka. Znajomość zaawansowanych funkcji pozwala szybciej przetwarzać dane, automatyzować obliczenia i ograniczać pracę ręczną.

• 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

Sztuczna inteligencja w modelowaniu danych

Sztuczna inteligencja wspiera analityka w projektowaniu modeli danych, podpowiada rozwiązania i pomaga wykrywać błędy. Dzięki temu można szybciej tworzyć poprawne i wydajne modele.

• 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

Excel pozwala nie tylko przygotować dane, ale także je analizować i prezentować w czytelnej formie. Umiejętność wizualizacji pomaga lepiej zrozumieć dane i skuteczniej komunikować wyniki.

Tabele przestawne (Pivot Tables)

Tabele przestawne to jedno z najważniejszych narzędzi do szybkiej analizy danych w Excelu. Pozwalają w prosty sposób podsumować duże zbiory danych i odkrywać zależności.

• 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

Wizualizacja danych w Excel

Dobra wizualizacja pozwala szybko zrozumieć dane i wyciągać wnioski. Analityk musi umieć przedstawić wyniki w sposób czytelny i zrozumiały dla innych.

• 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

Analiza statystyczna w Excel

Analiza statystyczna pozwala lepiej zrozumieć dane, wykrywać zależności i przewidywać przyszłe wyniki. Jest podstawą bardziej zaawansowanej analizy danych.

• 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)

Sztuczna inteligencja w analizie danych w Excel

Sztuczna inteligencja wspiera analizę danych, automatyzując wiele zadań i pomagając szybciej znaleźć istotne wnioski. Dzięki temu analityk może skupić się na interpretacji wyników, a nie tylko na obliczeniach.

• 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

Power BI to narzędzie stworzone do zaawansowanej analizy i wizualizacji danych. Umożliwia tworzenie interaktywnych raportów i dashboardów, które wspierają podejmowanie decyzji biznesowych.

Interfejs i struktura Power BI Desktop

Znajomość interfejsu Power BI pozwala sprawnie poruszać się po narzędziu i efektywnie tworzyć raporty. To podstawa dalszej pracy z analizą i wizualizacją danych.

• Widoki: raport, dane, model
• Obszar filtrów, panele wizualizacji i pól
• Zarządzanie stronami raportu

Tworzenie wizualizacji w Power BI

Wizualizacje w Power BI pozwalają przekształcić dane w czytelne i interaktywne raporty. Dzięki nim można łatwo odkrywać zależności i prezentować wyniki w sposób zrozumiały dla odbiorców.

• 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

Interaktywność i zaawansowane funkcje raportów

Interaktywność raportów pozwala użytkownikom samodzielnie analizować dane i dostosowywać widok do swoich potrzeb. Dzięki temu raporty są bardziej użyteczne i wspierają podejmowanie decyzji.

• 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)

Publikowanie i udostępnianie raportów

Tworzenie raportu to tylko część pracy analityka. Kluczowe jest jego udostępnienie i zapewnienie, że dane są aktualne oraz dostępne dla odpowiednich osób.

• 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

Sztuczna inteligencja w Power BI

Funkcje AI w Power BI pozwalają szybciej analizować dane i odkrywać zależności bez konieczności budowania skomplikowanych modeli. Ułatwiają także interpretację wyników i ich prezentację.

• 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

Python to jedno z najważniejszych narzędzi w analizie danych. Umożliwia automatyzację pracy, analizę dużych zbiorów danych oraz tworzenie zaawansowanych modeli i wizualizacji.

Podstawy języka Python

Podstawy Pythona są niezbędne, aby móc wykorzystywać ten język w analizie danych. Pozwalają zrozumieć, jak pisać kod i automatyzować pracę z danymi.

• 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)

Python w analizie danych - biblioteki

Biblioteki takie jak NumPy i Pandas są podstawą analizy danych w Pythonie. Umożliwiają szybkie przetwarzanie, analizę i łączenie danych z różnych źródeł, także z baz danych.

NumPy

• Tablice wielowymiarowe (ndarray)
• Operacje matematyczne i statystyczne na tablicach
• Indeksowanie, wycinanie, filtrowanie

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

Połączenie Pythona z SQL Server

• Biblioteki: pyodbc, sqlalchemy
• Wykonywanie zapytań SQL z poziomu Pythona
• Zapisywanie wyników do bazy danych
• Automatyzacja raportowania z bazy danych

Wizualizacja danych w Pythonie

Wizualizacja danych w Pythonie pozwala tworzyć bardziej zaawansowane i interaktywne wykresy niż w podstawowych narzędziach. Dzięki temu analityk może lepiej analizować dane i prezentować wyniki.

Matplotlib

• Tworzenie wykresów: liniowe, słupkowe, kołowe, punktowe
• Formatowanie: tytuły, osie, legendy, adnotacje
• Subplots – wiele wykresów na jednym rysunku
• Eksport wykresów do plików

Seaborn

• Wykresy statystyczne: heatmap, pairplot, boxplot, violinplot
• Wizualizacja rozkładów i korelacji
• Stylizacja i palety kolorów

Plotly

• Interaktywne wizualizacje
• Wykresy 3D i mapy
• Dashboardy z użyciem Plotly Dash – wprowadzenie

Analiza dużych zbiorów danych z wykorzystaniem Apache Spark

Przy dużych zbiorach danych standardowe narzędzia mogą być niewystarczające. Apache Spark pozwala przetwarzać dane w sposób rozproszony, co umożliwia analizę bardzo dużych wolumenów danych.

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

Moduł 7. Uczenie maszynowe w analizie danych

Uczenie maszynowe pozwala nie tylko analizować dane historyczne, ale także przewidywać przyszłe zdarzenia i automatycznie wykrywać wzorce. To ważny krok w kierunku bardziej zaawansowanej analizy danych.

Podstawy uczenia maszynowego

Podstawy uczenia maszynowego pozwalają zrozumieć, jak działają modele predykcyjne i jak poprawnie je budować. Bez tej wiedzy trudno tworzyć wiarygodne i użyteczne rozwiązania.

• 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

Algorytmy klasyfikacji i regresji

Znajomość podstawowych algorytmów pozwala dobrać odpowiednią metodę do problemu i budować skuteczne modele predykcyjne. To kluczowy element praktycznego wykorzystania uczenia maszynowego.

• 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

Algorytmy grupowania i redukcji wymiarów

Algorytmy grupowania i redukcji wymiarów pozwalają odkrywać ukryte struktury w danych oraz upraszczać zbiory danych bez dużej utraty informacji. Są szczególnie ważne, gdy nie mamy gotowych etykiet danych.

• K-Means – grupowanie danych
• DBSCAN
• Analiza skupień hierarchicznych
• PCA (Principal Component Analysis) – redukcja wymiarów

Biblioteka scikit-learn - funkcje zaawansowane

Zaawansowane funkcje scikit-learn pozwalają budować bardziej uporządkowane, dokładne i zrozumiałe modele. Dzięki nim można automatyzować proces modelowania i lepiej interpretować wyniki.

• Pipeline – budowanie potoków przetwarzania
• Strojenie hiperparametrów (GridSearchCV, RandomizedSearchCV)
• Interpretacja modeli: Feature Importance, SHAP – wprowadzenie

Sztuczna inteligencja w analizie danych z użyciem języka Python

Sztuczna inteligencja znacząco rozszerza możliwości analizy danych w Pythonie. Umożliwia pracę z tekstem, automatyzację analizy oraz szybsze tworzenie wniosków i raportów.

• 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 8. Wdrażanie analizy danych w przedsiębiorstwie

Analiza danych ma największą wartość wtedy, gdy jest wykorzystywana w praktyce w organizacji. Wdrożenie rozwiązań analitycznych pozwala podejmować lepsze decyzje i usprawniać procesy biznesowe.

Proces wdrożenia projektów analitycznych

Nawet najlepsza analiza nie ma wartości, jeśli nie zostanie poprawnie wdrożona i zrozumiana przez odbiorców. Proces wdrożenia pozwala przejść od pomysłu do realnego zastosowania w biznesie.

• Od prototypu do produkcji – ścieżka wdrożenia
• Definiowanie wymagań biznesowych i KPI
• Komunikowanie wyników analizy interesariuszom
• Storytelling z danymi – budowanie narracji analitycznej
• Dokumentacja projektu analitycznego

Ewaluacja wyników analizy

Ocena wyników pozwala upewnić się, że analiza i modele działają poprawnie i przynoszą wartość biznesową. Bez ewaluacji trudno zauważyć błędy i utrzymać jakość rozwiązań w czasie.

• Metody oceny jakości analizy
• Walidacja wyników z ekspertami domenowymi
• Testowanie A/B – zasady i zastosowania
• Monitorowanie modeli w produkcji
• Cykl życia modelu analitycznego

Zarządzanie danymi w organizacji (przegląd)

Dane w organizacji muszą być dobrze zarządzane, bezpieczne i zgodne z przepisami. Bez tego analiza może prowadzić do błędnych wniosków lub naruszeń prawa.

• Data Governance – zasady zarządzania danymi
• Jakość danych – wymiary i metryki
• RODO/GDPR – ochrona danych osobowych w kontekście analityki
• Bezpieczeństwo danych i kontrola dostępu
• AI Act – klasyfikacja rozwiązań AI oraz wymagania względem ich wdrożenia

Sztuczna inteligencja we wdrażaniu analityki

Sztuczna inteligencja wspiera wdrażanie analityki, automatyzuje procesy i ułatwia dostęp do danych w organizacji. Pomaga także budować kulturę opartą na danych.

• 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 9. Konsultacje z doradcą HR

Umiejętności techniczne to tylko część sukcesu. Ważne jest także umiejętne zaplanowanie kariery, przygotowanie się do rekrutacji i budowanie swojej pozycji na rynku pracy.

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

Metoda realizacji

Kurs składa się z 26 zdalnych spotkań na żywo. Spotkania odbywają się dwa razy w tygodniu. Każde trwa 4 godziny szkoleniowe. Spotkania mają formę wykładu oraz demonstracji wykorzystania oprogramowania. 

Spotkania są nagrywane. Uczestnicy kursu mają dostęp do wszystkich nagrań na platformie 

• 60 godzin szkolniowych materiału e-learningowego (E-Super pakiet dla analityka)
• Dostępne materiały szkoleniowe zawierają dodatkowe nagrania video, pliki przykładowe i ćwiczeniowe oraz filmy instruktażowe omawiające wymagania względem komputera oraz pokazujące instalację i konfigurację w środowisku użytkownika.
• W trakcie kursu uczestnicy otrzymają do realizacji 13 zadań. W celu zaliczenia kursu i uzyskania certyfikatu konieczne jest zrealizowanie co najmniej 10 zadań.

POBIERZ PROGRAM W PDF

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