| INFORMAČNÝ LIST PREDMETU | ||||||||||||||
| Vysoká škola: Technická univerzita v Košiciach | ||||||||||||||
| Fakulta: Ekonomická fakulta | ||||||||||||||
| Pracovisko: Katedra aplikovanej matematiky a hospodárskej informatiky Mgr. Alena Mojsejová, PhD., Ing. Dana Paľová, PhD. | ||||||||||||||
| Kód predmetu: 35000308 | Názov predmetu: Pokročilá dátová analýza a vizualizácia | |||||||||||||
| Druh, rozsah a metóda vzdelávacích činností: Forma výučby: Prednáška, Cvičenie laboratórne Odporúčaný rozsah výučby (v hodinách): Denná forma štúdia (hodiny za týždeň): 1,2 Externá forma štúdia (hodiny za semester): LS 13,26 Metóda štúdia: Prezenčná | ||||||||||||||
| Počet kreditov: 3 | ||||||||||||||
| Odporúčaný semester štúdia: LS | ||||||||||||||
| Odporúčaný semester | Študijný program | Stupeň štúdia | Metóda štúdia | |||||||||||
| 2.rok LS | Financie, bankovníctvo a investovanie (FBI_Bc_D_sk) Ekonomika a manažment verejnej správy (EaMVS_Bc_D_sk) |
1. 1. |
Prezenčná Prezenčná |
|||||||||||
| Stupeň štúdia: | ||||||||||||||
| Podmieňujúce predmety: | ||||||||||||||
| Podmienky na absolvovanie predmetu: Spôsob hodnotenia a skončenia štúdia predmetu: Klasifikovaný zápočet Priebežné hodnotenie (PH): Záverečné hodnotenie (ZH): Študent prospeje v ZH a úspešne vykoná skúšku, keď splní podmienku získať min. 51% z 100%. Záverečné hodnotenie (ZH): Študent prospeje v ZH a úspešne vykoná skúšku, keď splní podmienku získať min. 51% z 100%. V priebehu štúdia študenti vypracujú zadanie orientované na dátovú analýzu a vizualizáciu údajov týkajúce sa ekonomických a spoločenských javov. Vypracovanie a odovzdanie semestrálnej práce je hodnotené počtom bodov 60. Za Prezentáciu a obhajobu semestrálnej práce môže študent získať 40 bodov. Celkové hodnotenie: CH je suma hodnotení získaných študentom za hodnotené obdobie. Celkový výsledok sa stanoví v súlade s vnútornými predpismi TUKE. (študijný poriadok, vnútorný predpis zásady doktorandského štúdia) Celkové hodnotenie: CH je suma hodnotení získaných študentom za hodnotené obdobie. Celkový výsledok sa stanoví v súlade s vnútornými predpismi TUKE. (študijný poriadok, vnútorný predpis zásady doktorandského štúdia) | ||||||||||||||
| Výsledky vzdelávania: Predmet nadväzuje na základy štatistiky a pravdepodobnosti z predmetov Pravdepodobnosť a štatistika a Dátová analýza a reporting v podniku. Cieľom predmetu je rozšíriť zručnosti študentov v oblasti pokročilej analýzy dát. Študenti sa naučia aplikovať štatistické metódy (korelácie, regresie) a vizualizovať výsledky pomocou PowerBI/Tableu, resp. pomocou Pythonu/R. Dôraz sa kladie na praktickú aplikáciu metód na podnikové dáta a interpretáciu výsledkov. Po absolvovaní predmetu študent získa: [i] vedomosti - rozšírené znalosti štatistických a prediktívnych modelov; pochopenie viacrozmernej vizualizácie dát a jej využitia; metódy na interpretáciu veľkých datasetov a ich podnikové využitie. [ii] zručnosti - použitie Python/R na pokročilú analýzu (pandas, numpy, statsmodels, seaborn, ggplot, plotly); implementácia regresných modelov, klasifikácie a časových radov; viacrozmerná vizualizácia pomocou 3D grafov, heatmap, PCA, clustering vizualizácie; automatizácia reportov a vizualizácií. [iii] kompetentnosti - schopnosť pracovať s komplexnými dátami a extrahovať z nich hodnotné informácie; kritické myslenie pri interpretácii výsledkov a rozhodovaní; efektívna komunikácia analytických zistení v podnikovom prostredí. Absolvent predmetu by mal mať kompetentnosti v oblasti štatistického modelovania a mal by byť schopný metódy aplikovať vo svojej bakalárskej a diplomovej práci. Pri výučbe sú používané štandardné, moderné a motivačné metódy. V rámci motivačných metód to sú najmä motivačné rozhovory a aktívne zapájanie študentov pri vypracovaní zadaní. | ||||||||||||||
| Stručná osnova predmetu: P1: Úvod do pokročilej analýzy dát (korelácie, regresie, modelovanie) C1: Práca s datasetom v Python (knižnice pandas, statsmodels, seaborn) alebo R (knižnice tidyverse, ggplot2, lm); opakovanie základných operácií s dátami (výber, filtrovanie, čistenie a transformácia dát) P2: Korelačná analýza: identifikácia vzťahov medzi premennými C2: Práca s datasetom - výpočet Pearsonovej a Spearmanovej korelácie; Vizualizácia korelačných máp P3: Úvod do lineárnej a viacnásobnej regresie: základné princípy a interpretácia C3: Odhad regresných modelov v Python (knižnice statsmodels, scikit-learn) alebo R (knižnice lm, caret); Hodnotenie kvality modelu: R², p-hodnoty, reziduá P4: Logistická regresia a klasifikácia, jej využitie v podnikovej analýze C4: Praktická implementácia s rôznymi datasetmi; Diagnostika modelu P5: Viacrozmerná analýza a redukcia dimenzií C5: PCA (Hlavné komponenty); Interpretácia a vizualizácia výsledkov P7: Clusterová analýza a segmentácia dát C7: K-means clustering; Hierarchické zhlukovanie a vizualizácia P8: Viacrozmerná vizualizácia dát C8: Interaktívne 3D grafy (Plotly, ggplot); Heatmapy a dendrogramy P9: Pokročilé dashboardy a interaktívna analýza C9: Vytváranie interaktívnych dashboardov; automatizácia analýz pomocou Streamlit/Shiny P10: Interpretácia a storytelling s dátami C10: Ako prezentovať analytické výsledky; Efektívna komunikácia s manažmentom P11: Príprava analytického reportu pre manažment C11: Integrácia vizualizácií s využitím nástrojov Jupyter Notebook, RMarkdown, PowerBI, interpretácia výsledkov P12: Ukážky dátovej analýzy a vizualizácie z praxe C12: Konzultácie k semestrálnym projektom s expertmi z praxe P13: Prezentácia a hodnotenie semestrálnych projektov. C13: Prezentácia a hodnotenie semestrálnych projektov. | ||||||||||||||
| Odporúčaná literatúra: 1. Danko, J., Safr.K : R snadno a rychle 1. 2. Danko, J., Safr.K : R snadno a rychle 2. 3. Pearson, Ronald K. 2018. Exploratory data analysis using R. CRC Press. 4. Ralf, T.: Data Visualisation in R, Springer, 2019 5. Pimpler, E.: Data Visualization and Exploration with R, Geospatial Training Services,2017 6. Knaflic, C.N.: Storytelling with Data: A Data Visualization Guide for Business Professionals, Wiley, 2015 7. Peng, Roger. 2016. Exploratory data analysis with R. Lulu.com. | ||||||||||||||
| Odporúčané voliteľné súčasti programu: | ||||||||||||||
| Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu: | ||||||||||||||
| Poznámky: | ||||||||||||||
| Hodnotenie predmetov: Celkový počet hodnotených študentov: 28 | ||||||||||||||
| A | B | C | D | E | FX | |||||||||
| 61% | 21% | 4% | 7% | 0% | 7% | |||||||||
| Zabezpečuje: Mgr. Alena Mojsejová, PhD. Ing. Dana Paľová, PhD. | ||||||||||||||
| Dátum poslednej zmeny: 09.03.2026 | ||||||||||||||
| Schválil: osoba/osoby zodpovedné za študijný program | ||||||||||||||