Vizualizace nesupervizovaného učení ve financích
Fieldearn

Nesupervizované učení ve financích

Praktické workshopy zaměřené na shlukování, detekci anomálií a redukci dimenzionality - metody, které se skutečně používají při analýze finančních dat.

Než se přihlásíte

Matematické pozadí vás brzdí?

Většina zájemců se zastaví u stejné otázky: jestli je jejich základ dost silný na to, aby měl kurz smysl. Odpověď závisí na tom, co od workshopu čekáte - proto jsme ji rozepsali konkrétně.

Kurz pracuje s reálnými datovými sadami z finančního prostředí - pohyby cen, transakční záznamy, účetní výkazy. Algoritmy vysvětlujeme na těchto datech, ne na abstraktních příkladech.

1
Co potřebujete předem Základní orientace v Pythonu a pochopení toho, co je matice a průměr. Hlouběji do lineární algebry jdeme až v průběhu, ne jako vstupní podmínka.
2
Tempo a obtížnost Každý modul má dvě verze zadání - standardní a rozšířenou. Nikdo nemusí čekat ani spěchat, tempo si řídíte sami v rámci struktury workshopu.
3
Vzdálený přístup z celé ČR Workshopy probíhají online, s ohledem na různá časová pásma a pracovní vytížení účastníků z různých krajů. Záznamy jsou dostupné po celou dobu přístupu.
Práce s finančními daty při workshopu

Co zůstane po workshopu

Každý účastník odchází s vlastním notebookem, který prošel reálnými daty - ne šablonou, ale kódem, který sám napsal a odladil během cvičení.

Dlouhodobá hodnota

Co se učíte, to zůstane použitelné

Metody nesupervizovaného učení se ve finanční analýze neobjevily náhodou - řeší problémy, kde chybí označená data, ale vzory existují. Naučit se je správně interpretovat trvá, ale výsledek je přenositelný napříč projekty.

K-means a hierarchické shlukování
segmentace portfolií a klientů
PCA a UMAP
redukce dimenzionality u výkazů
Isolation Forest
detekce anomálií v transakcích
Interpretace výsledků
jak výstupy modelu vysvětlit kolegům
Akreditace a licence →
Zkušenosti účastníků

Konkrétní lidé, konkrétní posun

Níže jsou výpovědi čtyř účastníků z různých částí republiky. Žádné procenta, žádné zaručené výsledky - jen to, co se pro ně změnilo a jak to sami popsali.

Portrét účastníka Radovana Šebesty
Radovan Šebesta Analytik, Ostrava

„Pracoval jsem s Excelem a základním SQL. Po workshopu jsem začal používat sklearn na segmentaci klientů - ne jako experiment, ale jako součást pravidelné práce."

Excel + SQL sklearn v produkci
Portrét účastnice Věry Holubové
Věra Holubová Risk analyst, Brno

„Bála jsem se, že matematika bude bariéra. Nebyla. Cvičení na reálných datech mi pomohla pochopit, co model dělá, ne jen jak ho spustit."

Nejistota v ML Samostatná práce s modely
Otakar Mrňák Finanční kontrolor, České Budějovice

„Ocenil jsem, že každý modul měl rozšířenou verzi. Mohl jsem jít do hloubky tam, kde mě to zajímalo, a přeskočit části, které znám."

Základní Python PCA na výkazech
Zuzana Krejčová Datová specialistka, Olomouc

„Isolation Forest jsem znala z dokumentace, ale nevěděla jsem, jak výsledky interpretovat kolegům bez technického zázemí. To mi workshop dal."

Znalost bez kontextu Komunikace výsledků
Prostředí workshopu Fieldearn
Práce účastníků na cvičeních