Finanční analýza s Pythonem: Praktický průvodce

• Python a SQL
• Python a Excel
• Python a PowerPoint
• Zapojení Pythonu v rámci workflow

Praktické cvičení: V rámci jednoho scriptu stáhneš data z SQL databáze, v Pythonu provedeš transformaci dat, jejich analýzu, výstup uložíš do Excelu a vygeneruješ PowerPoint prezentaci se sumarizací výsledků.

Výstupy z lekce: Umíš kombinovat Python s běžně používanými nástroji a dokážeš v rámci jednoho workflow psát SQL a Python. Máš přehled o výhodách jednotlivých nástrojů.

• Práce s různými typy souborů a datových formátů
• Zrychlení a automatizace běžných činností

Praktické cvičení: Napíšeš program, který si poradí s různými typy datových formátů (CSV, Excel, JSON), provedeš datový preprocessing, vygeneruješ výsledný report a odešleš e- mailem zprávu o výsledku zpracování.

Výstupy z lekce: Umíš pracovat s různými typy souborů a dokážeš automatizovat běžné činnosti. Dokážeš z různých vstupních formátů zpracovat v Pythonu data, provést jejich analýzu a následně předat informace uživatelům v uživatelsky přívětivé formě.

• Úvod do fungování finančních institucí
• Využití Pythonu ve financích
• Na jakých konkrétních pozicích se s Pythonem setkáš
• V jakých situacích má smysl Python poprvé implementovat

Výstupy z lekce: Máš přehled o specifikách finančnictví a bankovnictví, dokážeš identifikovat konkrétní typy pozic, kde se Python využívá. Umíš Python spojit s konkrétním use casem a vyhodnotit vhodnost jeho použití.

• Jak správně vizualizovat data
• Přehled balíčků vhodných pro vizualizaci
• Interaktivní reporting

Praktické cvičení: Stáhneš si reálná bankovní data a vytvoříš nad nimi za použití několika balíčků různé typy vizualizací.

Výstupy z lekce: Umíš vybrat vhodný typ grafu pro konkrétní data a víš, kdy se rozhodnout pro statické a kdy pro interaktivní zobrazení. Máš přehled o možnostech vizualizace a víš, na co si dát při vytváření grafů pozor.

• Stručný úvod do statistiky
• Základní postupy analýzy časových řad

Praktické cvičení: Vytvoříš program, který importuje data o bankovních transakcích, provede nad nimi základní statistickou analýzu a výsledky vhodně graficky zobrazí.

Výstupy z lekce: Máš základní přehled o statistice, umíš konkrétní dataset popsat pomocí základních statistických ukazatelů a dokážeš analyzovat trendy v časových řadách.

• Úvod do machine learning modelů
• Jak vybrat správný model pro konkrétní use case
• Jak vyhodnotit jeho funkčnost a výstupy

Praktické cvičení: Vytvoříš základní machine learning model pro predikci selhání dlužníka.

Výstupy z lekce: Víš, jak machine learning modely fungují a jak je můžeš trénovat. Dokážeš zvolit správný model pro konkrétní use case a vyhodnotit predikční schopnosti modelů.

• Stromové metody
• Neuronové sítě

Praktické cvičení: Navážeš na předcházející cvičení a budeš pokračovat se stejným datasetem pro predikci selhání klienta. Tentokrát využiješ pokročilejší metody.

Výstupy z lekce: Víš, jak fungují základní typy pokročilých AI modelů, umíš prakticky použít pokročilé algoritmy na konkrétní data a dokážeš vyhodnotit jejich predikční schopnost a efektivně je porovnat s jednodušším přístupem.

• Jak efektivně pracovat s Copilotem při kódování
• Jak využít LLMs
• Další nástroje mimo Github Copilot

Praktické cvičení: Připravíš si otázky na poslední lekci QA a dobrovolný závěrečný projekt.

Výstupy z lekce: Umíš prakticky použít GitHub Copilot při své práci, dokážeš využít nejnovější přístupy pro efektivní práci a psaní kódu, a rozumíš nebezpečí, které používání nástrojů postavených na LLMs přínáší.

• Otázky k závěrečnému projektu
• Q&A
• Future prospects
• Career
• Zakončení kurzu