Modely, které skutečně rozhodují
Reatarget je platforma pro odborné masterclassy zaměřené na tvorbu a nasazení skóringových modelů. Obsah vychází z reálné praxe - ne z učebnic.
Co zůstane, až kurz skončí
Dobře postavený skóringový model se v praxi osvědčuje měsíce i roky po svém nasazení. Otázka není, co se naučíte - ale co z toho budete schopni udržet v provozu.
Interpretovatelnost modelu
Naučíte se vysvětlit výstup modelu kolegům bez technického zázemí - podmínka pro přijetí v každé organizaci.
Monitoring v produkci
Modely se v čase mění spolu s daty. Získáte nástroje pro detekci driftu a včasné přetrénování bez zbytečných výpadků.
Správná volba metrik
Gini, KS, AUC-ROC - každá metrika říká něco jiného. Pochopíte, kdy která záleží a proč přesnost sama nestačí.
Dokumentace a reprodukovatelnost
Každý model musí být možné znovu spustit za šest měsíců. Zavedete si workflow, který to zajistí bez dohledávání.
70 % obsahu tvoří praktické úlohy na reálných datasetech
Jak se liší práce tady od standardních kurzů
Většina výuky strojového učení začíná u algoritmů a končí u přesnosti na testovací sadě. Skóringové modely mají jiné nároky - regulatorní, výkladové i provozní.
- Pracujete s daty, která mají typické problémy produkčních datasetů - chybějící hodnoty, class imbalance, časová závislost.
- Každý model procházíte validací z pohledu rizikového analytika, ne jen datového vědce.
- Nasazení modelu je součástí výuky - ne poznámka na konci.
- Zpětná vazba přichází od odborníků, kteří modely skutečně provozují v bankách a finančních institucích.
Konkrétní dovednosti po absolvování
Tady nejde o certifikát. Jde o to, co zvládnete udělat samostatně.
Příprava dat pro skórování
Binning, WOE transformace, ošetření outlierů - kroky, které rozhodují o kvalitě modelu dřív, než spustíte trénování.
Logistická regrese jako základ
Pochopíte, proč regulátoři preferují interpretovatelné modely a jak z logistické regrese dostat maximum bez ztráty průhlednosti.
Gradient boosting pro pokročilé
XGBoost a LightGBM v kontextu skórování - kdy je použít, jak je ladit a jak vysvětlit jejich výstupy pomocí SHAP hodnot.
Validace a reporting
Sestavíte validační report, který obstojí před interním auditem - s grafy, metrikami a slovním komentářem k výsledkům.
Pro koho to dává smysl - a pro koho ne
Obsah není pro každého, kdo se zajímá o AI. Je pro lidi, kteří pracují nebo chtějí pracovat s kreditním rizikem, pojistnou matematikou nebo finanční analýzou.
Patříte sem, pokud
- Pracujete v bance, pojišťovně nebo fintech firmě a chcete rozumět modelům, které používáte nebo schvalujete.
- Máte základy Pythonu a znáte pandas - ne nutně sklearn nebo statistické modely.
- Potřebujete konkrétní výstup: fungující model a dokumentaci, ne jen teorii.
- Jste ochotni strávit nad materiály 6–8 hodin týdně po dobu kurzu.
Tady se nehodíte, pokud
- Hledáte úvod do datové vědy obecně - to je jiný typ kurzu s jiným zaměřením.
- Nemáte zkušenost s tabulkovými daty a základní statistikou - výuka na tom staví.
- Očekáváte hotová řešení bez vlastního přemýšlení - úlohy jsou záměrně otevřené.
- Potřebujete výsledky do dvou týdnů - solidní model trvá déle postavit správně.
Kdo obsah vytváří a proč jim věřit
Radovan Šebek, hlavní lektor
Radovan strávil přes deset let budováním skóringových systémů pro středoevropské banky. Pracoval na modelech pro retailové úvěry, hypotéky i SME segment - vždy v prostředí, kde chyba modelu má přímý finanční dopad.
Do výuky přináší konkrétní případy z praxe: jak model prošel interní validací, kde selhal a co bylo potřeba změnit. Výuka není rekonstrukcí učebnice - je to přepis skutečných rozhodnutí.
Proč výsledky závisí na struktuře výuky
Obsah sám o sobě nestačí. Záleží na pořadí, ve kterém přichází, a na tom, jak rychle se dostanete k vlastní práci s daty.
Kontextualizace před technikou
Každá metoda přichází s vysvětlením, kde v reálném projektu sedí - ne jako izolovaný algoritmus, ale jako krok v procesu s konkrétním vstupem a výstupem.
Vlastní dataset od začátku
Od první lekce pracujete na jednom datasetu, který se postupně komplikuje. Vidíte, jak každé rozhodnutí ovlivní výsledný model.
Recenze od odborníka
Odevzdané úlohy dostávají konkrétní zpětnou vazbu - ne automatické hodnocení. Lektor komentuje logiku, ne jen správnost výsledku.
Závěrečný projekt jako portfolio
Výstupem kurzu je kompletní model s dokumentací, který lze ukázat zaměstnavateli nebo použít jako základ pro interní projekt.
