Predyktywna analityka finansowa z AI: podstawy wdrożenia
Zapytaj o dostęp
Program
-
Tydzień 1: Dane finansowe w praktyce
Skąd brać dane, jak je walidować, jakie błędy pojawiają się najczęściej- Struktura danych transakcyjnych i bilansowych
- Czyszczenie danych w pandas: brakujące wartości, duplikaty, anomalie
- Pierwsze wizualizacje szeregów czasowych
-
Tydzień 2: Statystyczne podstawy prognozowania
Regresja liniowa, korelacje, podstawy wnioskowania statystycznego -
Tydzień 3: Modele uczenia maszynowego dla finansów
Random Forest, gradient boosting, kiedy które podejście ma sens -
Tydzień 4: Szeregi czasowe i prognozowanie przychodów
ARIMA, Prophet od Meta, praktyczne porównanie wyników -
Tydzień 5: Walidacja i interpretacja modeli
Cross-validation, metryki błędu, jak tłumaczyć wyniki zarządowi -
Tydzień 6: Projekt końcowy
Samodzielna analiza wybranego zbioru danych z prezentacją wyników
Większość kursów o AI w finansach kończy się na slajdach z buzzwordami. Ten zaczyna się od konkretnych danych, rzeczywistych zbiorów i narzędzi, które można zainstalować na własnym laptopie.
Co faktycznie omawiamy
Przechodzimy przez cały cykl: od surowych danych transakcyjnych, przez ich czyszczenie w Pythonie, aż po zbudowanie pierwszego modelu regresji prognozującej przepływy gotówkowe. Żadnych gotowych API, które ukrywają logikę.
Dla kogo jest ten kurs
Dla analityków z co najmniej rocznym doświadczeniem w pracy z danymi finansowymi. Przydatna jest znajomość Excela na poziomie zaawansowanym lub podstawy SQL.
Narzędzia używane w kursie
- Python 3.11 z bibliotekami pandas, scikit-learn i matplotlib
- Jupyter Notebook jako środowisko pracy
- Prawdziwe zbiory danych z publicznych rejestrów finansowych
Kurs trwa 6 tygodni. Każdy tydzień to około 4 godziny materiału plus zadania praktyczne do oceny przez prowadzącego.
Czego nie obiecujemy
Modele predyktywne nie zastępują wiedzy domenowej. Pokazujemy, gdzie AI pomaga, ale też gdzie popełnia błędy i jak je wykrywać zanim zrobi to ktoś inny.
Wymagania techniczne
Komputer z systemem Windows 10, macOS 12 lub Linux. Minimum 8 GB RAM. Dostęp do internetu podczas zajęć online.