Technologický
základ
skórovacích modelů
Každý skórovací model stojí na konkrétních nástrojích a rozhodnutích - od volby frameworku přes způsob trénování až po nasazení do produkce. Na této stránce popisujeme, co v Reatargetu skutečně používáme a proč.
scikit-learn
Základ pro klasické algoritmy - logistická regrese, rozhodovací stromy, gradient boosting. Rychlý prototyp i produkční model v jednom API.
klasifikaceXGBoost / LightGBM
Pro tabulková data s nerovnoměrným rozložením tříd, kde gradient boosting překonává sítě. Oba frameworky nabízejí nativní podporu pro SHAP hodnoty.
boostingSHAP
Interpretabilita není volitelná funkce - je podmínkou nasazení. SHAP vysvětluje každé rozhodnutí modelu na úrovni jednotlivé predikce.
vysvětlitelnostMLflow
Sledování experimentů, verzování modelů a srovnání metrik napříč iteracemi. Bez tohoto nástroje se opakování výsledků stává náhodou.
MLOpsTři úrovně zvládnutí technologií
Skórovací modely se nestaví jedním způsobem pro všechny situace. Přístup závisí na kvalitě dat, požadavcích na latenci a regulatorním prostředí, ve kterém model funguje.
Základ - pochopení dat a modelů
Práce s pandas, základní EDA, logistická regrese a interpretace Gini koeficientu. Tato úroveň pokrývá přibližně 60 % praktických případů v malých organizacích.
Pokročilá úroveň - boosting a feature selection
XGBoost, LightGBM, automatizovaný feature selection pomocí Boruta nebo permutation importance. Modely na této úrovni vyžadují systematický přístup k validaci mimo tréninkový set.
Produkční nasazení - MLOps a monitoring
Docker kontejnerizace, REST API přes FastAPI, sledování driftu pomocí PSI a evidenční záznamy pro regulatorní audit. Tato vrstva rozhoduje, zda model přežije první měsíc v produkci.
Kdo za technologiemi stojí
Kurzy nevznikají z učebnic - vycházejí z projektů, které naši lektoři skutečně realizovali. Každý nástroj popsaný na této stránce byl použit v reálném kontextu s reálnými daty.
Radovan Beneš
Pracoval na vývoji skórovacích modelů pro spotřebitelské úvěry v prostředí s přísným regulatorním dohledem. Specializuje se na interpretabilitu a dokumentaci modelů.
Tereza Horáčková
Zaměřuje se na přípravu dat a feature engineering pro tabulkové datasety. Zkušenosti z bankovního sektoru i z e-commerce, kde se skórovací logika liší zásadně.
