top of page
IMG_0249.HEIC

Už viac ako 10 rokov sa intenzívne venujem oblastiam AI, DATA SCIENCE a vzdelávaniu.

 

Moje skúsenosti siahajú od švédskych univerzít až po rakúske banky, pričom vždy kladiem dôraz na skutočné, praktické znalosti.

 

Učil som tisíce ľudí prostredníctvom univerzitných kurzov, MBA programov a projektov, ako je slovenská lokalizácia KhanAcademy.

results.png
contacts.png

Data Science Tréningy

Dáta sú všade okolo nás, ale bez správneho prístupu môžu zostať len nevyužitým potenciálom. Naším cieľom je pomôcť vám odomknúť skrytú hodnotu dát a premeniť ich na strategickú výhodu. Naše kurzy sú navrhnuté pre skutočný svet, riešenie každodenných výziev a dosahovanie merateľných výsledkov. 

Prehľad kurzov, dostupných formátov a cien (ceny bez DPH)

Pri formáte self-paced sa predpokladá zabezpečenie dostupnosti kurzov na strane zákazníka (napr. na vlastnom LMS systéme). K dispozícii je prispôsobenie a výber z obsahu kurzov. K dispozícii sú množstevné zľavy. V prípade školenia u zákazníka, školiteľ cestuje z Bratislavy, cestovné náklady (economy class) hradí zákazník, travel time účtovaný 40 €/hod.

1. Level 1: Spoznaj Data Science

  • Self-paced: 6 hodín video prednášok a cvičení, 30€/študent

  • Live online/onsite: 1 celý tréningový deň, 1400€/deň, maximálne 50 účastníkov

 

2. Level 2: Úvod do Data Science

  • Self-paced: 6 hodín video prednášok a cvičení, 30€/študent

  • Live online/onsite: 2 celé tréningové dni, 2800€/celý program, maximálne 50 účastníkov

 

3. Level 3: Baseline Data Science

  • Self-paced:  87 hodín video prednášok a cvičení v jazyku Python, 450€/študent

  • Live online/onsite: 9 celých tréningových dní, cena začína na 25 200€/celý program, maximálne 30 účastníkov

 

4. Level 4: Data Science Modeler

  • Self-paced:  67 hodín video prednášok a cvičení v jazyku Python, 450€/študent

  • Live online/onsite: 10 kratších tréningových dní, cena začína na 19 400€/celý program, maximálne 20 účastníkov

 

5. Data Science pre Produktových manažérov a Vedúcich pracovníkov

  • Live online/onsite: 1 celý tréningový deň, 1400€/program

  • Live online/onsite (dlhšie verzie): 2 celé tréningové dni, 2800€/program, maximálne 30 účastníkov

1. Level 1: Spoznaj Data Science

O čom je tento kurz?

V dnešnom svete, ktorý je riadený dátami, je nevyhnutné pochopiť, ako môžeme získavať cenné informácie. Tento úvodný kurz demystifikuje dátovú vedu a sprístupňuje ju každému. Získate intuitívne pochopenie toho, ako modely dátovej vedy vytvárajú hodnotu aj keď ste úplný začiatočník.

Pre koho je tento kurz určený?

Pre každého, kto sa zaujíma o dátovú vedu.

 

Má tento kurz vstupné požiadavky?

Len motivácia učiť sa nové koncepty. Tento kurz je určený naozaj pre každého aj keď ste úplným začiatočníkom v oblasti dátovej vedy.

 

Čo z tohto kurzu získam?

  • Zistíte, ako dátová veda mení dáta na cenné informácie.

  • Pochopíte, čo sú kognitívne skreslenia a ako nám dátová veda pomáha proti nim bojovať.

  • Zistíte, čo je falošná korelácia a ako sa jej môžeme vyhnúť.

  • Zistíte, ako urobiť business experiment založený na dátach, ktorý overí či má zmena pozitívny vplyv.

  • Uvedomíte si, ako “big data” so sebou prinášajú neúčelové zhromažďovanie dát a ako ich potrebujeme riešiť.

  • Zistíte, kto sú dátoví vedci a čo by bolo potrebné, aby ste sa dátovým vedcom stali.

  • Uvedomíte si, ako dátová veda vytvára vedecké modely prostredníctvom experimentovania a pozorovania.

  • Naučíte sa o základných metódach dátovej vedy, ako je popisná štatistika korelačných metrík.

  • Intuitívne pochopíte ako funguje model strojového učenia.

  • Zistíte, prečo model dátovej vedy zjednodušuje rozhodovania ľudí.

 

Štruktúra kurzu:

  • Definovanie dátovej vedy: Tento kurz začína skúmaním mnohostrannej povahy dátovej vedy. Preskúmame dôvody obrovskej hodnoty dát, ciele dátovej vedy a potenciálne skreslenia, ktoré môžu ovplyvniť modely dátovej vedy.

  • Disciplíny dátovej vedy: Odhalíme rôznorodé disciplíny, ktoré sa spájajú, aby vytvorili oblasť dátovej vedy. Naučíme sa rozlišovať medzi umelou inteligenciou a strojovým učením, preskúmame úlohu a zručnosti dátového vedca a objasníme faktory, ktoré prispievajú ku komplexnosti aplikácií dátovej vedy.

  • Opisovanie a objavovanie v dátach: Naučíme sa techniky popisnej a exploračnej analýzy dát a zistíme, ako generujú cenné poznatky. Odhalíme koncept korelácie, rozlíšime medzi skutočnými a falošnými koreláciami a pochopíme, ako môžu odľahlé hodnoty či ich rozsah ovplyvniť naše chápanie dát.

  • Inferenčné a prediktívne modely: Preskúmame oblasť inferenčnej a prediktívnej dátovej vedy. Povieme si aj o alternatívnych prístupoch k strojovému učeniu na vytváranie prediktívnych modelov a ukážeme, ako sa dá štatistická inferencia použiť na posúdenie aktivít, ako je napríklad nová predajná kampaň.

2. Level 2: Úvod do Data Science

O čom je tento kurz?

Tento kurz poskytuje komplexný, netechnický prehľad projektov v oblasti dátovej vedy, od počiatočných nápadov až po nasadenie modelov do prostredia reálneho sveta.

Pre koho je tento kurz určený?

  • Business analytici

  • Technickí experti z príbuzných oblastí (databázy, cloud engineering)

  • Tvorcovia projektov v oblasti dátovej vedy

  • Každý, pre koho je oblasť dátovej vedy nová a chce získať pevné základy

Má tento kurz vstupné požiadavky?

Základná znalosť konceptov dátovej vedy (napr. kurz Level 1)

Čo z tohto kurzu získam?

Získate zručnosti, na to aby ste mohli plnohodnotne prispievať do projektov v oblasti dátovej vedy. Budete vedieť:

  • Identifikovať a uprednostniť sľubné nápady na projekty

  • Formulovať použiteľné hypotézy a plány na riešenie

  • Pomôcť integrovať projekty na základe cieľov organizácie

Štruktúra kurzu:

  • Základy projektu: Získajte dôkladné pochopenie kľúčových rozdielov medzi modelmi, produktmi a projektmi v oblasti dátovej vedy.

  • Životný cyklus projektu: Naučte sa brainstormovať, vyhodnocovať a zdokonaľovať nápady na projekty dátovej vedy a transformovať ich na konkrétne, použiteľné hypotézy a komplexné plány riešení.

  • Tímy, pracovné postupy a organizácie: Naučte sa zostaviť výkonné tímy pre dátovú vedu, vytvárať efektívne pracovné postupy a zosúlaďovať projekty s cieľmi organizácie.

  • Data Essentials: Preskúmajte, ako sú fenomény reálneho sveta reprezentované v dátach, pochopte základné dátové formáty a objavte hardvérové a softvérové nástroje, ktoré využívajú tímy v oblasti dát.

  • Exploratory Data Analysis (EDA): Osvojte si základy objavovania v dátach ich a vizualizácie, osvedčené postupy na identifikáciu vzorov, vyhýbanie sa nástrahám a vytváranie pôsobivých vizualizácií.

  • Tvorba atribútov a prediktívne modelovanie: Naučte sa, ako transformovať nespracované dáta na zmysluplné atribúty pre modely strojového učenia, pochopte základné princípy prediktívneho modelovania a preskúmajte bežné rodiny modelov.

  • Supervised a Unsupervised learning: Preskúmajte regresiu a klasifikáciu čo sú dve bežné techniky učenia sa pod dohľadom (supervised learning) a objavte silu techník učenia sa bez dozoru (unsupervised learning) na odhaľovanie skrytých vzorov v dát.

  • Nasadenie modelov do produkcie: Naučte sa najlepšie postupy nasadzovania vašich prediktívnych modelov do reálneho prostredia a zaistite ich spoľahlivosť, škálovateľnosť a efektivitu.

3. Level 3: Baseline Data Science

O čom je tento kurz?

Tento praktický kurz vás naučí používať základné techniky dátovej vedy na štruktúrovaných dátach pomocou jazyka Python. Či už ste v programovaní nováčik, alebo si chcete rozšíriť svoje existujúce znalosti, získate schopnosť predspracovať, skúmať, vizualizovať a zostaviť základné modely strojového učenia.

Pre koho je tento kurz určený?

  • Dátoví analytici na junior pozícii alebo dátoví vedci

  • Profesionáli, ktorí pracujú s dátami (napr. v oblasti databáz, reportingu), ktorí chcú rozšíriť svoje znalosti

  • Každý, kto sa chce naučiť programovať v jazyku Python pre aplikácie dátovej vedy

  • Manažéri tímov pre dátovú vedu, ktorí chcú získať hlbšie pochopenie tejto oblasti

Má tento kurz vstupné požiadavky?

  • Konceptuálna znalosť dátovej vedy (napr. kurz Level 2)

  • Základné praktické skúsenosti s prácou s dátami (napr. vytváranie reportov v Exceli alebo SQL)

  • Znalosť matematika zo strednej školy

Čo z tohto kurzu získam?

  • Znalosť pokročilej analýzu dát v Pythone, ktorá presahuje základné možnosti Excelu.

  • Schopnosť prispievať do projektov dátovej vedy v reálnom svete ako junior analytik alebo dátový vedec.

  • Schopnosť vytvárať a vyhodnocovať základné modely strojového učenia nad štruktúrovanými dátami.

Štruktúra kurzu:

  • Úvod do programu: Stretnutie, ktoré zahŕňa 1 hodinový úvodný telefonát určený na informovanie účastníkov o štruktúre kurzu a očakávaniach. Počas tohto stretnutia budú mať účastníci možnosť pýtať sa otázky, objasniť si akékoľvek pochybnosti a získať jasnú predstavu o cieľoch a obsahu kurzu.

  • Úvod do Pythonu pre Data Science: Účastníci budú mať tri týždne štúdia vo vlastnom tempom s pripravenými video prednáškami a programovacími cvičeniami.

  • Práca s dátami a ich vizualizovanie: Účastníci sa naučia základné techniky predspracovania dát pomocou knižnice pandas, vrátane zlučovania dát, agregácie, transformácie, operácií s textovými dátami a spracovania chýbajúcich hodnôt. Budú tiež skúmať rôzne techniky vizualizácie dát, ktoré pokrývajú jednorozmernú vizualizáciu v pandas, storytelling a identifikáciu zavádzajúcich vizualizácií, ako aj dvojrozmerné a viacrozmerné vizualizácie pomocou knižníc Matplotlib a Seaborn.

  • Príprava na prediktívne modelovanie: Účastníci sa naučia základy prípravy atribútov, vrátane numerických a kategorických atribútov, práce s chýbajúcimi hodnotami a atribútmi dátumov a časov. Dozvedia sa o technikách výberu atribútov, o  “filter” a “wrapper” metódach a ako vytvárať a vyhodnocovať základné modely pre klasifikačné aj regresné úlohy.

  • Učenie sa pod dohľadom a bez dohľadu (Supervised, Unsupervised learning): Táto časť kurzu pokrýva celý rad techník strojového učenia, počnúc lineárnymi metódami, ako je lineárna regresia a regularizované modely, a ďalej obsahuje nelineárne metódy, ako sú rozhodovacie stromy a náhodné lesy. Účastníci sa tiež dozvedia o logistickej regresii a rôznych technikách učenia sa bez dohľadu, vrátane techník ako je “clustering”, “dimensionality reduction” a “anomaly detection”. Okrem toho sa naučia o neurónových sieťach, vizuálnom rozpoznávaní a spracovaní prirodzeného jazyka so zameraním na viacvrstvové perceptróny počítačové videnie a “embeddings”.

  • Capstone Projekt: Účastníci využijú všetky zručnosti a znalosti získané počas kurzu na analýzu reálneho datasetu. Spätná väzba je poskytovaná účastníkom individuálne na ich vypracované riešenie.

4. Level 4: Data Science Modeler 

O čom je tento kurz?

Tento pokročilý kurz vás prenesie za základy strojového učenia. Objavíte špecializované techniky na riešenie zložitých scenárov, netradičných datasetov a výber či hodnotenie modelov.

Pre koho je tento kurz určený?

Junior dátoví vedci a profesionálni dátoví vedci, ktorí chcú upevniť a rozšíriť svoje odborné znalosti v oblasti modelovania.

Má tento kurz vstupné požiadavky?

  • Základné znalosti dátovej vedy v Pythone (napr. kurz Level 3)

  • Znalosť jazyka Python a knižníc pandas, Seaborn/Matplotlib, scikit-learn

  • Pochopenie supervised a unsupervised learning, validácie modelov, ladenia hyperparametrov, neurónových sietí a základného spracovania obrázkov/textov.

Čo z tohto kurzu získam?

Absolvovaním tohto kurzu získate schopnosť:

  • prevziať plnú zodpovednosť za projekty prediktívneho modelovania

  • vybrať  a aplikovať najvhodnejšie techniky strojového učenia pre rôzne úlohy

  • riešiť problémy v oblasti dátovej vedy, ktoré sa vymykajú štandardným prístupom

  • a rozšírite si svoje znalosti o pokročilých oblastiach strojového učenia, ako je vizuálne rozpoznávanie a spracovanie prirodzeného jazyka.

Štruktúra kurzu:

Tento kurz spája učenie sa vlastným tempom s interaktívnymi online stretnutiami, ktoré poskytujú komplexné a flexibilné učenie sa nových konceptov.

 

  • Úvod do programu: Stretnutie, ktoré zahŕňa 1 hodinový úvodný telefonát určený na informovanie účastníkov o štruktúre kurzu a očakávaniach. Počas tohto stretnutia budú mať účastníci možnosť pýtať sa otázky, objasniť si akékoľvek pochybnosti a získať jasnú predstavu o cieľoch a obsahu kurzu.

  • Pokročilé spracovanie štruktúrovaných dát (self-paced): V tomto segmente kurzu preskúmate pokročilé techniky práce so štruktúrovanými dátami. Táto časť zahŕňa modely založené na vzdialenosti, pokročilé metódy inžinierstva atribútov a efektívne stratégie na prácu s nevybalansovanými datasetmi.

  • Pokročilé strojové učenie na štruktúrovaných dátach: Získajte hĺbkové znalosti o ensemble metódach, ako je boosting a stacking, ako aj pokročilé techniky na automatizáciu Pipelines pomocou scikit-learn.

  • Uplift modeling a interpretácia modelu: Preskúmajte uplift modeling a objavte rastúci význam interpretácie modelov, najmä vo svetle nových predpisov. Naučte sa základné techniky, ako sú partial dependency grafy Shapley hodnoty.

  • Woodwork, Featuretools & EvalML (self-paced): V tomto segmente kurzu sa naučíte, ako využívať špecializované knižnice určené na efektívne spracovanie komplexných datasetov.

  • Deep Learning v Keras (self-paced): V tomto segmente kurzu budete stavať na svojich základných znalostiach o neurónových sieťach a naučíte sa ich vytvárať a trénovať pomocou knižnice Keras.

  • Pokročilé učenie bez dohľadu a počítačové videnie (self-paced): V tomto segmente kurzu preskúmate všestranný svet autoenkóderov, typu neurónovej siete používanej na učenie sa bez dohľadu. Okrem toho sa dozviete o počítačovom videní a o tom, ako trénovať konvolučné neurónové siete pre aplikácie založené na obrázkoch.

  • Spracovanie prirodzeného jazyka: Osvojte si techniky na prácu s textovými dátami vrátane “embeddings” a “transfer learning” a naučte sa, ako využiť predtrénované modely pre spracovanie prirodzeného jazyka.

  • Problémy s časovými radmi: Získajte odborné znalosti pri riešení problémov s časovými radmi pomocou špecializovaných knižníc strojového učenia navrhnutých na analýzu a predpovedanie časových radov.

  • Nasadenie modelu strojového učenia (koncepty a teória): Pochopíte stratégie a úvahy súvisiace s nasadzovaním modelov strojového učenia, ako aj základné koncepty cloudovej infraštruktúry, ktoré budú neskôr použité na praktickom cvičení.

  • Nasadenie modelu strojového učenia (praktická ukážka): Získajte praktické skúsenosti s nasadzovaním modelov prostredníctvom komplexnej ukážky. Budete pracovať s príkazovým riadkom, naučíte sa kontrolovať verzie, serializácu modelov, tvorbu webových aplikácií, Docker a škálovateľný deployment v rámci cloudovej infraštruktúry.

  • Záverečná skúška: Budete mať možnosť ukázať, vaše porozumenie materiálom z kurzu prostredníctvom skúšky, ktorá pozostáva z teoretického kvízu, praktickej programovacej úlohy súvisiacej s deploymentom modelu a z úlohy, kedy vyriešite konkrétny problém. Na úspešné absolvovanie skúšky budete mať niekoľko pokusov.

5. Data Science pre Produktových manažérov a Vedúcich pracovníkov

O čom je tento kurz?

Tento dynamický kurz poskytuje produktovým manažérom a vedúcim pracovníkom praktické znalosti a zručnosti, ktoré sú potrebné na efektívnu navigáciu a vedenie iniciatív v oblasti dátovej vedy. Poskytuje komplexný prehľad konceptov, metodológií a aplikácií dátovej vedy, špeciálne prispôsobených potrebám tých, ktorí dohliadajú a zúčastňujú sa na projektoch založených na dátach.

Pre koho je tento kurz určený?

  • Produktoví manažéri zodpovední za produkty alebo funkcionality založené na dátach.

  • Vedúci pracovníci, ktorí sa snažia integrovať dátovú vedu do svojich organizácií alebo tímov.

  • Každý, kto dohliada alebo sa zúčastňuje na projektoch dátovej vedy.

Má tento kurz vstupné požiadavky?

Len motivácia učiť sa nové koncepty. Tento kurz je určený naozaj pre každého aj keď ste úplným začiatočníkom v oblasti dátovej vedy.

Čo z tohto kurzu získam?

  • Dôkladné pochopenie základov dátovej vedy, terminológie a kľúčových prístupov.

  • Návod na podporovanie kultúry založenej na dátach a stratégie na úspešné prijatie iniciatív dátovej vedy.

  • Schopnosť kriticky vyhodnotiť dáta, interpretovať vizualizácie a identifikovať vzory či potenciálne skreslenia.

  • Znalosť základných (deskriptívnych a exploračných) a pokročilých (inferenčných a prediktívnych) metód dátovej vedy.

  • Praktické techniky na generovanie hodnotných nápadov na projekt dátovej vedy, formulovanie použiteľných hypotéz a zostavovanie riešení.

  • Stratégie na výpočet business hodnoty projektov dátovej vedy, nastavenie KPI a zabezpečenie nákladovo efektívnej implementácie.

  • Pochopenie výziev a úvah spojených s nasadením a udržiavaním modelov strojového učenia do reálneho prostredia.

  • Úvod do Natural Language Processing (NLP) a Visual Recognition (VR), ich aplikácie a ako ich možno integrovať do projektov.

  • Príklady úspešných projektov dátovej v rámci bankového sektora, ktoré sú relevantné pre vašu konkrétnu oblasť záujmu.

Štruktúra kurzu:

  • Úvod do dátovej vedy: Získajte široký prehľad o dátovej vede, ktorý zahŕňa základné pojmy, terminológiu, hodnotu dát a úlohy zahrnuté v projektoch dátovej vedy.

  • Organizácia a kultúra založená na dátach: Naučte sa, ako pestovať kultúru založenú na dátach vo vašej organizácii, rozvinúť stratégie jej prijatia, merať vplyv dátovej vedy a uprednostňovať rozhodovanie založené na dátach.

  • Opisné a exploračné prístupy: Pochopte bežné úskalia v interpretácii dát, story telling a vizualizačné techniky a naučte sa identifikovať vzory v dátach, no zároveň sa vyhnúť grafickým skresleniam.

  • Inferenčné a prediktívne prístupy: Preskúmajte učenie sa pod dohľadom a bez dohľadu, rôzne rodiny modelov strojového učenia, metódy hodnotenia modelov a dôležitosť zamerania sa nielen na technické, ale aj na business metriky.

  • Získanie hodnotného nápadu pre projekt dátovej vedy: Naučte sa praktické techniky na generovanie nápadov na projekty s vysokou hodnotou, formulovanie konkrétnych hypotéz a rozloženie zložitých problémov.

  • Vytvorenie riešenia na implementáciu: Zistite, ako vypočítať business hodnotu projektov dátovej vedy, nastaviť efektívne KPI, minimalizovať náklady, zvoliť vhodné prístupy a riadiť projekty pomocou metodík ako CRISP-DM.

  • Modely strojového učenia v produkcii: Získajte prehľad o výzvach a úvahách spojených s nasadzovaním modelov strojového učenia, vrátane “feedback loops”, validácie dát a riadenia ekosystémov dátovej vedy.

  • Spracovanie prirodzeného jazyka a vizuálne rozpoznávanie: Preskúmajte bežné NLP a VR problémy, transfer learning, intuíciu modelov a možnosti kombinácie oboch prístupov v projekte dátovej vedy.

  • Zmýšľanie v reálnom čase: Naučte sa osvojiť si spôsob myslenia na spracovanie dát v reálnom čase, ktorý presahuje tradičné prístupy ako je match processing.

 

Kontaktujte ma

Začnime našu spoluprácu bezplatnou 30-minútovou konzultáciou alebo ma kontaktujte priamo na môj e-mail či telefón.

+421 951 477 080

bottom of page