Szkolenie pt.: „Data science w środowisku Excel–R–Copilot”

Współczesne badania naukowe opierają się na danych – ich jakości, interpretacji i umiejętności wyciągania wniosków. W dobie rosnącej ilości informacji, tradycyjne metody analizy stają się często niewystarczające, a z pewnością mało efektywne. Sztuczna inteligencja, wspierająca procesy analityczne, pozwala m.in.:

• automatyzować żmudne zadania związane z czyszczeniem i przetwarzaniem danych,
• przyspieszyć eksplorację danych i identyfikację istotnych wzorców,
• tworzyć bardziej trafne modele predykcyjne i testować hipotezy badawcze,
• zwiększyć dostępność analiz dzięki interfejsom opartym na języku naturalnym.

Połączenie Excela – jako narzędzia powszechnie używanego w środowisku akademickim – z językiem R – popularnym w analizie statystycznej – oraz Copilotem – jako wsparciem AI – tworzy synergiczne środowisko pracy, które znacząco podnosi efektywność i jakość badań.

Celem szkolenia jest wyposażenie uczestników w praktyczne umiejętności analizy danych z wykorzystaniem nowoczesnych narzędzi wspomaganych sztuczną inteligencją. Uczestnicy poznają metody eksploracji, przetwarzania i interpretacji danych przy użyciu Excela, języka R oraz Copilota – inteligentnego asystenta wspierającego pracę analityczną. Szkolenie łączy klasyczne podejście do data science z możliwościami, jakie daje AI, umożliwiając szybsze, bardziej intuicyjne i efektywne podejmowanie decyzji na podstawie danych.

Szkolenie adresowane jest przede wszystkim do osób, które mają już elementarną wiedzę na temat klasycznych podejść analizy i modelowania, jak również posługują się biegle Excelem. Zalecana jest też podstawowa znajomość programu R, ale nie jest wymagane doświadczenie programistyczne. Szkolenie prowadzone jest w sposób przystępny, z naciskiem na praktykę i zrozumienie procesów analitycznych, a nie niuansów związanych z technikami programistycznymi.

Program szkolenia:

1. Przykłady ograniczeń Excela związane z analizą dużych zbiorów danych, automatyzacją zadań oraz implementacją metod eksploracji danych.
2. Wykorzystanie Copilota do wspomagania analizy, automatyzacji i interpretacji danych.
3. Agregacje, transformacje i łączenie danych o różnym formacie i z różnych źródeł. Automatyzacja zadań z użyciem makr oraz zewnętrznego oprogramowania.
4. Wykrywanie wartości brakujących oraz metody imputacji danych. Podstawowe techniki interpolacji oraz dopasowania wzorca przebiegu danych w Excelu.
5. Statystyki opisowe i miary opisu dużych zbiorów danych. Przyspieszenie obliczeń z użyciem programu R.
6. Identyfikacja wartości odstających i wpływ usunięcia na rzetelność badań naukowych. Dobór próby oraz randomizacja doboru danych.
7. Analiza korelacyjna, regresja liniowa i zjawisko regresji pozornej. Weryfikacja stosowalności z użyciem sztucznej inteligencji.
8. Analiza szeregów czasowych: wykrywanie trendów i sezonowości, metody dekompozycji i techniki prognozowania. 
9. Automatyzacja wizualizacji danych i nauka budowy pipelinów obliczeniowych.
10. Techniki klasteryzacji danych z użyciem niestandardowych miar odległości.
11. Klasyfikacja danych z użyciem modeli ekonometrycznych oraz sztucznych sieci neuronowych. Możliwość wykorzystania Excela oraz integracja programu R z programem Excel w zakresie zadań klasyfikacyjnych. Podejście ensemble method.
12. Wybrane zagadnienia optymalizacyjne i sposoby ich rozwiązania z użyciem dodatku Solver. Dobór optymalnych parametrów w modelach nieliniowych. Algorytmy genetyczne i programowanie całkowitoliczbowe. Wykorzystanie zewnętrznych solverów do bardziej złożonych zagadnień.
13. Analiza tekstów: słownikowa analiza sentymentu, czyszczenie danych i wizualizacja danych tekstowych.
14. Automatyzacja zadań: generowanie formuł, podsumowań, interpretacji.
15. Tworzenie raportów i rekomendacji z pomocą AI.
16. Automatyzacja pozyskiwania i eksploracji danych, web scraping.
17. Przykłady modelowania zjawisk i procesów z różnych obszarów praktyki biznesowej.

Informacja o prowadzącym: 

Michał Bernardelli, habilitacja w dziedzinie nauk ekonomicznych w dyscyplinie ekonomia uzyskana w roku 2020 w Kolegium Analiz Ekonomicznych SGH, doktor nauk matematycznych w zakresie matematyki ze specjalizacją matematyka stosowana uzyskany na Wydziale Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego w roku 2008. W roku 2003 uzyskał stopnie magistra na kierunku informatyka (ocena celująca) oraz kierunku matematyka (ocena bardzo dobra). Od roku 2009 zatrudniony w instytucie Ekonometrii SGH, obecnie na stanowisku profesora uczelni, dziekana Studium Magisterskiego oraz kierownika Centrum Wychowania Fizycznego i Sportu. Od ponad 20 lat konsultant i wykonawca wielu projektów naukowych i komercyjnych.

Interdyscyplinarność jego prac naukowych opiera się głównie na wykorzystaniu aparatury informatycznej i matematycznej do rozwiązywania problemów z obszarów związanych z analizą i eksploracją danych, w szczególności w problematyce Big Data, metod predykcyjnych i optymalizacji. Ostatnie badania oscylowały m.in. wokół takiej tematyki jak: symulacje zmian systemów podatkowych, ocena działalności sektora bankowego, analiza i prognozowanie szeregów czasowych, modelowanie foresightowe, optymalizacja wielokryterialna czy analiza cykli koniunkturalnych.

Wykłada przede wszystkim przedmioty związane z zastosowaniem matematyki w innych dziedzinach nauki. Spośród nich można wymienić między innymi dziedziny takie jak informatyka (sztuczna inteligencja, metody numeryczne, analiza danych w e-biznesie, metody przetwarzania danych, obsługa baz danych, programowanie arkuszy kalkulacyjnych), ekonomia i zarządzanie (ekonometria, statystyka, prognozowanie, badania operacyjne, analiza symulacyjna, ubezpieczenia) czy fizyka (modelowanie, symulacje komputerowe, zintegrowane pakiety oprogramowania statystycznego, analitycznego i numerycznego). 

Prowadził wiele szkoleń poświęconych różnym aspektom ilościowej analizy danych oraz obsługi komputera i programów komputerowych, w tym zastosowaniem metod obliczeniowych w naukach ekonomicznych, matematyce finansowej, zarządzaniu, a przede wszystkim praktyce biznesowej.