Přístupnostní navigace
E-přihláška
Vyhledávání Vyhledat Zavřít
Detail předmětu
FP-BDAAk. rok: 2026/2027
Předmět Analýza dat se zaměřuje na poskytování základních i pokročilých znalostí a dovedností v oblasti analýzy dat, které jsou nezbytné pro efektivní manažerské rozhodování. Studenti se seznámí s různými nástroji a technikami pro sběr, přípravu, analýzu a interpretaci dat. Důraz je kladen na praktické aplikace v manažerském prostředí, včetně využití softwarových nástrojů jako Excel, R a Python. Předmět zahrnuje témata jako úvod do manažerské analýzy dat, statistické základy, sběr a příprava dat, práce s velkými daty, průzkumná analýza dat, prediktivní modelování, strojové učení, optimalizace a rozhodovací modely, analýza časových řad, analýza sentimentu a textová analýza, data-driven decision making, etika a bezpečnost dat a závěrečný projekt a prezentace.
Jazyk výuky
Počet kreditů
Příslušnost k typu studijního programu
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Pro úspěšné absolvování předmětu Analýza dat se předpokládají základní znalosti statistiky a pravděpodobnosti, základní znalosti práce s tabulkovými procesory (např. Excel) a základní znalosti programování (výhodou, ale ne nutností).
Způsob zakončení předmětu a pravidla hodnocení studentů
Zápočet:* Půlsemestrální test: Vypracování praktického úkolu dle zadání (40 bodů). Minimální počet bodů je 20.* Projekt: Jeden projekt dle zadání s příslušnou dokumentací (60 bodů). Minimální počet bodů je 30. (Zadání je představenona třetí přednášce.)* Plagiátorství nebo nedovolená spolupráce na projektech či testech povede k neudělení zápočtu a může být zahájenodisciplinární řízení.* Student musí během semestru získat alespoň 50% bodů, tedy 50 bodů ze 100.Zkouška:* Vypracování praktického příkladu a ústní přezkoušení.* (Ze zápočtu se žádné body ke zkoušce nepřevádí.)* Hodnocení zkoušky je v souladu s klasifikací ECTS.Zakončení předmětu pro studenty s individuálním studijním plánem (ISP):* Zápočet: Vypracování projektu dle zadání s příslušnou dokumentací. (Zadání je představeno na třetí přednášce adostupné v rámci e-learningu. Minimálně 50 bodů ze 100.)* Zkouška: Ústní přezkoušení. Hodnocení zkoušky je v souladu s klasifikací ECTS.* Pro ISP jsou podmínky identické, vyjma případné povinné účasti ve výuce.* Termíny pro zakončení předmětu se domlouvají individuálně dle podmínek schválených v ISP.
Učební cíle
Po absolvování předmětu Analýza dat budou studenti schopni porozumět základním pojmům a významu analýzy dat pro manažerské rozhodování, aplikovat statistické metody a techniky pro analýzu dat, efektivně sbírat, čistit a připravovat data pro analýzu, používat nástroje a technologie pro práci s velkými daty, provádět průzkumnou analýzu dat a vizualizovat výsledky, vytvářet a interpretovat prediktivní modely, aplikovat techniky strojového učení v manažerském kontextu, používat optimalizační a rozhodovací modely pro manažerské úlohy, analyzovat časové řady a provádět predikce, provádět analýzu sentimentu a textovou analýzu, rozumět procesu rozhodování založenému na datech a vytvářet dashboardy, dodržovat etické zásady a bezpečnostní opatření při práci s daty a prezentovat výsledky analýzy dat a obhajovat závěrečný projekt.
Základní literatura
Doporučená literatura
Zařazení předmětu ve studijních plánech
Přednáška
Vyučující / Lektor
Osnova
1. Základy manažerské analýzy dat(Úvod do předmětu a jeho cílů, význam datové analýzy v manažerské praxi, základní pojmy, přehled nástrojů jako Excel, R,Python, přístup k datům a jejich role v rozhodování)2. Statistické a analytické základy(Deskriptivní statistika, pravděpodobnostní rozdělení, základní statistické testy, interpretace výsledků, práce s intervalyspolehlivosti a p-hodnotami)3. Příprava a správa dat(Zdroje dat a jejich získávání, čištění a transformace dat, práce s chybějícími hodnotami, datové typy a formáty, základníprincipy datové kvality)4. Průzkumná a vizuální analýza dat(Exploratory Data Analysis – EDA, vizualizace dat pomocí grafů a dashboardů, identifikace trendů, korelace vs. kauzalita,storytelling s daty)5. Pokročilé modelování a predikce(Úvod do prediktivního modelování, lineární a logistická regrese, klasifikační modely, základy strojového učení, supervisedvs. unsupervised learning, aplikace v byznysu)6. Rozhodování, etika a aplikace v praxi(Data-driven decision making, KPI a metriky výkonu, optimalizační a simulační modely, analýza časových řad, textová asentimentová analýza, etika a bezpečnost dat)
Cvičení
1. Úvod do manažerské analýzy dat (přehled předmětu a cílů, základní pojmy a význam analýzy dat pro manažery, úvod do nástrojů pro analýzu dat (např. Excel, R, Python))2. Statistické základy pro analýzu dat (deskriptivní statistika, pravděpodobnost a rozdělení, základní statistické testy)3. Sběr a příprava dat pro analýzu (zdroje dat a jejich získávání, čištění a transformace dat, práce s chybějícími hodnotami)4. Práce s velkými daty (úvod do Big Data, nástroje a technologie pro práci s velkými daty (např. Hadoop, Spark), základní operace a funkce)5. Průzkumná analýza dat (EDA), (vizualizace dat pro EDA, identifikace vzorů a trendů, korelace a kauzalita)6. Prediktivní modelování (úvod do prediktivního modelování, regresní analýza, klasifikační modely)7. Strojové učení pro manažery (základní pojmy a techniky strojového učení, supervised vs. unsupervised learning, aplikace strojového učení v byznysu)8. Optimalizace a rozhodovací modely (lineární programování, simulační modely, aplikace optimalizačních technik)9. Analýza časových řad (úvod do časových řad, smoothing a dekompozice, predikce časových řad)10. Analýza sentimentu a textová analýza (úvod do textové analýzy, techniky analýzy sentimentu, aplikace textové analýzy v byznysu)11. Data-driven decision making (proces rozhodování založený na datech, KPI a metriky výkonu, dashboardy pro manažery)12. Etika a bezpečnost dat (etické aspekty analýzy dat, ochrana osobních údajů, bezpečnostní opatření)13. Závěrečný projekt a prezentace (práce na závěrečném projektu, prezentace projektů před třídou, zpětná vazba a hodnocení)
Odborné znalosti
Studenti porozumí funkci dat v procesu rozhodování.
Odborné způsobilosti
Studenti budou schopni porozumět datům a tyto interpretovat.
Odborné dovednosti
Studenti se naučí používat nástroje a technologie pro transformaci a analýzu dat.
Samostudium
Individuální příprava na ukončení