Rola analityka biznesowego i analiz Czym jest rola analityka biznesowego? Umiejętności Obowiązki Typy analityków Dlaczego analityk biznesowy musi znać analitykę? Eksplozja danych Kontekst biznesowy Analityka Wkład analityka biznesowego w wartość analityczną Problemy biznesowe rozwiązywane przez analitykę Współpraca z innymi zespołami Umiejętności wykorzystywane w analityce Python i R Cykl życia projektu analitycznego 1.Metodologie projektów analitycznych Zrozumienie biznesu Ustalanie zamierzeń biznesowych Ocena sytuacji Ustalanie celów Ustalenie podejścia i planu Ocena narzędzi i technik Poznawanie i przygotowywanie danych Ocena zawartości i jakości danych Wybieranie i czyszczenie danych Konstruowanie i integrowanie zestawu danych Tworzenie zestawu danych dla budowania modelu Modelowanie i ocena Wybór techniki analitycznej Budowanie i ocena modelu Wdrożenie Ocena sprawności modelu Ustalanie odstępów czasu pomiędzy ocenami Operacje modelu Monitorowanie modeli Życie modelu Ponowne trenowanie 3.Wprowadzenie do R i Pythona Instalowanie R i Pythona oraz opcje konfiguracji Dlaczego uczyć się R i Pythona? Uczyć się obu na raz, czy każdego kolejno? Zalety i wady różnych strategii nauki Instalacja R Instalacja Pythona Pisanie skryptów w R i Pythonie Skrypty języka R Skrypty języka Python Koncepcje obiektowe Struktura OOP Zasady OOP Typy danych w R i Pythonie Typy danych w R Struktury danych w R Typy danych w Pythonie Struktury danych Pythona Interakcja z relacyjnymi bazami danych Dlaczego relacyjne bazy danych? Połączenie R z relacyjną bazą danych Łączenie się z relacyjnymi bazami danych z poziomu R SQLite Łączenie się z relacyjnymi bazami danych z poziomu Pythona Połączenie Pythona z relacyjną bazą danych 4.Analizy statystyczne Przykładowy projekt analityczny Rotacja klientów w firmie telekomunikacyjnej Test A/B Kampanie marketingowe Prognozowanie finansowe Diagnostyka zdrowia Zacznijmy od sformułowania problemu Rozpoznawanie problemu analitycznego Klasyfikacja Regresja Co chcemy mierzyć? Podejścia analityczne EDA Uczenie nienadzorowane Statystyczna analiza dla regresji Analizy dla klasyfikacji Rola testowania hipotez Wizualizacje Wizualizacje wspomagające EDA w R i Pythonie Wizualizacje dla regresji Wizualizacje dla klasyfikacji 5.Eksploracyjna analiza danych w R i Pythonie Jakość danych Charakterystyki jakości danych Profilowanie danych Klasteryzacja i uczenie nienadzorowane Cele uczenia nienadzorowanego Przykład, jaki wpływ na nadzorowane uczenie może mieć klasteryzacja Metoda centroidów Klasteryzacja hierarchiczna Inne metody nienadzorowane używane w fazie EDA Identyfikowanie wartości odstających Wartości odstające w regresji Wartości odstające w klasyfikacji Przygotowanie danych do modelowania Próbkowanie Uczenie się i testowanie Transformacje danych Przekształcanie danych Wybieranie i redukowanie cech Wybieranie cech Techniki redukowania cech 6.Stosowanie i ocena modelowania w R i Pythonie Kroki modelowania Wybór i trenowanie modelu Ocena modelu Optymalizacja modelu Wdrażanie modelu Monitorowanie modelu i konserwacja Wybieranie właściwego algorytmu Regresja Typowe przypadki użycia Równanie regresji liniowej Regresja liniowa w R Regresja liniowa w Pythonie Wielokrotna regresja liniowa Inne rodzaje regresji Wyzwania związane z modelami regresji Inne algorytmy dla regresji Drzewa decyzyjne w regresji Ewaluacja regresji liniowej Klasyfikacja Typowe przypadki użycia Algorytmy klasyfikacyjne Klasyfikacja w R Klasyfikacja w Pythonie Przypadek użycia: rotacja klientów firmy telekomunikacyjnej Ewaluacja klasyfikacji Ewaluacja klasyfikacji: przypadek użycia 7.Modelowanie! wybór algorytmu Algorytmy Kryteria wyboru algorytmu Typ problemu Modele interpretowalne Dokładność prognozowania Szybkość uczenia się Szybkość przewidywania Dostrajanie hiperparametrów Praca z małymi zbiorami danych Praca z wielkimi zbiorami danych Interakcja cech Charakterystyka danych Przykład: Wybieranie odpowiedniego algorytmu Wybieranie właściwego algorytmu dla przewidywania sprzedaży Ocena kryteriów Decyzja i implementacja 8.ModelOps Przegląd operacji modelu Procesy operacji modelu Ocenianie modelu Ocenianie modelu w R: wykorzystanie aplikacji Shiny do punktowania w czasie rzeczywistym Ocenianie modelu w Pythonie: wdrażanie modelu przy użyciu Streamlit Monitorowanie modelu Kluczowe metryki i wskaźniki monitorowania wydajności modelu Techniki automatycznego monitorowania modelu Ponowne trenowanie modelu Zdarzenia wyzwalające ponowne trenowanie modelu Zautomatyzowane techniki ponownego trenowania Implementacja w R: wykorzystanie zadań cron do okresowego ponownego trenowania Implementacja w Pythonie: wykorzystanie narzędzi typu Airflow do zarządzania przepływem pracy Generowanie raportów Zawartość i struktura raportu końcowego Techniki zautomatyzowanego generowania raportów Implementacja w R: generowanie reportów w R za pomocą Markdown i knitr Implementacja w Pythonie: tworzenie raportów za pomocą notatników Jupyter i nbconvert Kontrola wersji i odtwarzalność modelu Praktyki współdziałania i dokumentowania Przypadki użycia ModelOps Prognozowanie sprzedaży detalicznych: automatyzacja ocen i monitorowania Wykrywanie oszustw: dynamiczne ponowne trenowanie modelu i raportowanie Przewidywanie odejść klientów: planowe ponowne trenowanie modelu i generowanie raportów końcowych Integracja z istniejącymi systemami i infrastrukturą Kierunki rozwojowe MLOps 9.Zaawansowane wizualizacje Zaawansowane wizualizacje w R Shiny Czym jest R Shiny? Kluczowe funkcjonalności i możliwości R Shiny Konfigurowanie środowiska Budowanie pierwszej aplikacji Shiny Tworzenie zaawansowanych Ul Przykład: Tworzenie tablicy kontrolnej do monitorowania sprzedaży w czasie rzeczywistym Wizualizacje w Pythonie Przegląd możliwości wizualizacji w Pythonie Powszechnie używane biblioteki: Matplotlib, Seaborn, Plotły oraz Dash Matplotlib: podstawy wizualizacji w Pythonie Dostosowywanie wykresów za pomocą stylów i kolorów Wykresy statystyczne: punktowe, skrzypcowe, mapy ciepła Interaktywne wykresy w Plotły Wykresy 3D za pomocą Matplotlib i Plotły Wizualizacja danych geoprzestrzennych Tworzenie tablicy kontrolnej: używanie Plotły Dash Przypadek użycia: wykorzystanie Pythona w zaawansowanym projekcie wizualizacji Wizualizacje: R Shiny czy Python? 10.Nowoczesne typy danych w analityce Dane półstrukturalne (JSON) Używanie danych JSON w Pythonie Używanie danych JSON w R Dane mediów społecznościowych Typy danych mediów społecznościowych Używanie Pythona do analizy danych mediów społecznościowych Używanie R do analizy danych mediów społecznościowych Dane obrazów Przetwarzanie obrazów w Pythonie Przetwarzanie obrazów w R Dane wideo Używanie Pythona do danych wideo Używanie R do danych wideo 11.Mierzenie wartości biznesowej uzyskiwanej z analityki i rola Al Czym jest wartość biznesowa w analityce? Wpływ strategiczny Wydajność operacyjna Satysfakcja i lojalność klientów Metryki i kluczowe wskaźniki do mierzenia wartości biznesowej Metryki finansowe Metryki operacyjne Metryki klienckie Dopasowywanie metryk do celów organizacji Wykorzystanie metryk do zademonstrowania wartości Metryki i KPI w praktyce Przykłady przypadków biznesowych dla wartości analityki Krok 1: Definiowanie problemu i określenie mierzalnych wyników Krok 2: Identyfikowanie metryk do zmierzenia sukcesu lub porażki Krok 3: Implementowanie rozwiązań analitycznych Krok 4: Mierzenie i demonstrowanie wartości Krok 5: Raportowanie i ciągłe ulepszanie Al oraz generatywna Al w analityce biznesowej Wprowadzenie do generatywnych Al Zastosowania w projektowaniu produktów Zastosowania w tworzeniu treści Zastosowania w marketingu Poprawa jakości obsługi klienta Ulepszanie sprawności operacyjnej Perspektywy i wyzwania Przypadki użycia Al i generatywnej Al w analityce biznesowej Przypadek 1: Spostrzeżenia i rekomendacje dla klientów oparte na sztucznej inteligencji Przypadek 2: Wspomagana przez Al optymalizacja łańcucha dostaw Przypadek 3: Poprawianie podejmowania decyzji Przypadek 4: Sztuczna inteligencja w analityce medycznej Przypadek 5: Użycie generatywnej Al do spersonalizowania doświadczeń klientów Przypadek 6: Al w analityce branży detalicznej Problemy niespójności z faktami i współpraca człowieka ze sztuczną inteligencją Perspektywy na przyszłość Wyzwania i uwarunkowania Wyzwania dotyczące integracji i skalowalności podejmowanych przy użyciu sztucznej inteligencji Techniczne i organizacyjne wyzwania wdrożeń Al Uwarunkowania związane z kosztami i zasobami Zapewnianie trwałości inwestycji w Al