PEMNPPYE Python pro ekonomy

School of Business Administration in Karvina
Winter 2025
Extent and Intensity
0/2. 4 credit(s). Type of Completion: zk (examination).
Teacher(s)
Ing. et Ing. Michal Halaška, Ph.D. (seminar tutor)
Guaranteed by
Ing. et Ing. Michal Halaška, Ph.D.
Department of Business Economics and Management – School of Business Administration in Karvina
Contact Person: Ing. Žaneta Rylková, Ph.D.
Supplier department: Department of Business Economics and Management – School of Business Administration in Karvina
Timetable of Seminar Groups
PEMNPPYE/02: Mon 18:55–20:30 A423, M. Halaška
Prerequisites (in Czech)
FAKULTA(OPF) && TYP_STUDIA(N) && FORMA(P)
Course Enrolment Limitations
The course is also offered to the students of the fields other than those the course is directly associated with.
The capacity limit for the course is 50 student(s).
Current registration and enrolment status: enrolled: 11/50, only registered: 0/50
fields of study / plans the course is directly associated with
Learning outcomes (in Czech)
Student získá pevný základ pro práci s Pythonem, umí jej nainstalovat a nastavit pracovní prostředí. Umí nainstalovat JupyterLab a pracovat v něm. Seznámí se se základními řídícími a datovými strukturami pro efektivní a strukturované programování v Pythonu. Student zvládá základy programování a má schopnost formulovat problémy, vyvíjet řešení a implementovat tato řešení v Pythonu jasným, přesným a optimálním způsobem. Student dokáže využít základní a pokročilé knihovny pro řešení problémů souvisejících s datovou analýzou. Student je schopen využít NumPy, Pandas, Matplotli, Seaborn, SciPy, Plotly, Statsmodels, Scikit-learn. Student zvládne provést předzpracování dat a aplikovat na nich explorativní analýzu včetně visuální analýzy. Student je schopen aplikovat vybrané statistické metody a strojového učení v oblasti managementu podnikových činností.
Syllabus (in Czech)
1. Základy programování v Pythonu
Instalace Pythonu. Základní rozdíly mezi interpretry a kompilátory programovacích jazyků. Jak vypadá program v Pythonu. Spuštění programu v Pythonu. Základy programování v Pythonu. Instalace a seznámení s JupyterLab. Tvorba prvního programu a jeho spuštění v JupyterLab.

2. Proměnné, výrazy a základní matematické funkce
Orientace v dokumentaci Pythonu. Vyčíslení vzorců. Proměnné a zápis čísel. Aritmetické výrazy, logické výrazy a priorita aritmetických operací. Vyhodnocování výrazů a neúplné vyhodnocování logických výrazů. Operandy. Knihovna Math. Zabudované funkce.

3. Klíčové řídící a datové struktury v Pythonu
Příkazy. Představení základních řídících (podmíněný příkaz if, cyklus while, cyklus for) a datových struktur. Indentace (předsazení) kódu. Tvorba a použití funkcí. Práce s cykly. Manipulace se základními datovými typy (řetězce, seznamy, soubory, slovníky a n-tice).

4. Knihovny pro datovou analýzu v Pythonu
Představení NumPy pro práci s vícerozměrnými poli a matematickými operacemi. Představení Pandas pro manipulaci se strukturovanými daty a daty pomocí rámců. Představení Matplotlib a Seaborn pro tvorbu vizualizací. Představení knihovny SciPy a Statsmodels pro pokročilé matematické a statistické nástroje (ANOVA, korelační analýza, Shapiro-Wilk test, Kolmogorov-Smirnov test, t-test, F-test, analýza časových řad). Představení Plotly pro tvorbu interaktivních vizualizací a dynamických dashboardů. Představení Scikit-learn pro strojové učení v podobě klasifikace, regrese, shlukování, dimenziální redukci, Churn prediction, rozhodovací stromy.

5. Předzpracování dat a průzkumná analýza
Předzpracování dat včetně jejich načtení a přípravy. Průzkumná analýza dat (EDA) s Pandas, Matplotlib a Seaborn. Rozložení dat, identifikace vzorů, odlehlých hodnot a korelací mezi proměnnými. Deskriptivní statistiky, histogramy, boxploty a heatmapy korelací. Čištění a příprava dat, chybějící a nekonzistentní hodnoty, standardizace a normalizace dat, odstranění duplicit, konverze kategoriálních proměnných a detekce odlehlých hodnot s využitím Pandas, Numpy a Scikit-learn.

6. Případové studie a analýzy
Využití Churn analysis k identifikaci zákazníků, kteří pravděpodobně odejdou. Pomocí strojového učení bude vytvořen model predikce odchodu zákazníků na základě jejich chování s využitím logistické regrese, random forest anebo gradient boosting. Toto může mít vliv na poskytnutí úvěru bankou, nebo jako popud pro různé marketingové aktivity. Předpověď prodejů je klíčová činnost pro odhad budoucích prodejů společnosti, od které se vyvíjí také další aktivity podniku (např. zásobovací činnost, přidělení finančních prostředků, cash flow management, řízení nákladů). K tomuto účelu bude využito několik modelů časových řad, jako např. ARIMA či SARIMA. Aplikace segmentace zákazníků s využitím shlukové analýzy (k-means), která může sloužit jako podklad pro různé rozhodnutí v podniku. Pro všechny studie budou využita reálná data dostupná na Kaggle.
Literature
    required literature
  • MATTHES, Eric. Python Crash Course: A Hands-On, Project-Based Introduction to Programming. No Starch Press, 2019. 2nd Edition. ISBN 978-1-59327-928-8. info
  • KUMAR, Ashish and Joseph BABCKOCK. Python: Advanced Predictive Analytics: Gain practical insights by exploiting data in your business to build advanced predictive modeling applications. Packt Publishing, 2017. ISBN 978-1-78899-236-7. info
    recommended literature
  • ROSSI, Peter; Greg ALLENBY and Sanjog MISRA. Bayesian Statistics and Marketing. 2nd ed. Wiley, 2024. ISBN 978-1-394-21911-7. info
  • BROWN, Iain. Mastering Marketing Data Science: A Comprehensive Guide for Today's Marketers. Wiley, 2024. ISBN 978-1-394-25871-0. info
  • EVANS, Richard. Computational Methods for Economists using Python. Open access Jupyter Book, 2023. info
  • KAEFER, Frederick and Paul KAEFER. Introduction to Python programming for business and social science applications. Sage, 2021. ISBN 978-1-5443-7744-5. info
  • GARCÍA MÁRQUEZ, Fausto Pedro and Benjamin LEV. Data Science and Digital Business. Springer, 2019. ISBN 978-3-319-95650-3. info
  • HILPISCH, Yves. Python for Finance. 2nd ed. O'Reilly, 2018. ISBN 978-1-4920-2433-0. info
  • RAMALHO, Luciano. Fluent Python. O'Reilly, 2015. ISBN 978-1-4919-4600-8. info
Teaching methods (in Czech)
Seminář, výuka pomocí případových studií, kooperativní a kolaborativní učení
Assessment methods (in Czech)
Požadavky na studenta: docházka na semináře, semestrální projekt, prezentace semestrálního projektu.
Hodnotící metody: docházka na semináře min. 70 %, semestrální projekt (30 % hodnocení), prezentace semestrálního projektu (10 % hodnocení), zápočtový test (30 % hodnocení), ústní zkouška (30 % hodnocení).
Language of instruction
Czech
Further Comments
Study Materials
  • Enrolment Statistics (recent)
  • Permalink: https://is.slu.cz/course/opf/winter2025/PEMNPPYE