Statistika a data science

Magisterský program Statistika a data science Vás připraví na práci s velkými daty, moderními analytickými nástroji a strojovým učením – ať už v ekonomii, zdravotnictví, marketingu nebo výzkumu. Naučíte se modelovat, predikovat a interpretovat data tak, aby Vaše rozhodnutí byla podložená fakty a skutečně přinášela výsledky. Staňte se odborníkem, jehož znalosti dat mění nápady ve smysluplná řešení.

POVINNÉ PŘEDMĚTY
Předmět	Garant
Statistické úsudky	Ing. Adam Čabla, Ph.D.	Předmět se zabývá moderními metodami statistického usuzování. Naučíte se pracovat s postupy, jako jsou pokročilé testy hypotéz, jednoduché bayesovské modely či základní techniky kauzální analýzy – například využití MCMC při bayesovském odhadu neznámých parametrů. Důraz je kladen na propojení teoretických konceptů s jejich praktickou aplikací a na schopnost správně interpretovat výsledky i omezení jednotlivých metod.
Analýza a modelování ekonomických časových řad	Ing. Jiří Koudelka, Ph.D.	Předmět se zaměřuje na metody modelování ekonomických časových řad s důrazem na jejich praktické využití. Naučíte se vybírat vhodné modely, hodnotit jejich vlastnosti a vytvářet bodové i intervalové předpovědi – například pomocí ARIMA modelů používaných pro krátkodobou predikci. Důraz je kladen na pochopení vztahů v datech, analýzu kauzality u vícerozměrných časových řad a na aplikaci metod v prostředí R včetně správné prezentace výsledků.
Bayesovské modelování v ekonomii	doc. Ing. Tomáš Karel, Ph.D.
Machine Learning pro ekonomické modelování	Ing. Karel Šafr, Ph.D.
Neparametrické metody a analýzy přežívání	doc. RNDr. Ivana Malá, CSc.	Předmět se v první polovině semestru zabývá neparametrickými metodami, ve druhé části analýzou přežívání. Seznámíte se s neparametrickým přístupem k analýze dat, jeho výhodami i nevýhodami. Vše je probíráno ve srovnání s parametrickými metodami. V analýze přežívání se seznámíte s cenzorovanými (neúplnými daty) a metodami, jak s nimi pracovat. Důraz je kladen na praktické aplikace a výpočetní znalosti a zkušenosti při udržení vysoké teoretické úrovně.
Pokročilé statistické strojové učení (v angličtině)	Ing. Miroslav Plašil, Ph.D.
Regresní modely v ekonomii	Ing. Lukáš Malec, Ph.D.	Předmět se zaměřuje na vybrané oblasti regresní analýzy. Naučíte se v něm pracovat s postupy, jako je analýza kovariance nebo použití splinů při modelování nelineárních vztahů, a seznámíte se také se zobecněnými aditivními modely. Důraz je kladen na aplikaci probíraných metod v prostředí R a na samostatné zpracování dat v rámci semestrálního projektu.
Vícerozměrná analýza dat (v angličtině)	doc. Ing. Zdeněk Šulc, Ph.D.	Předmět se zabývá běžně používanými metodami pro analýzu vícerozměrných dat. Naučíte se v něm pracovat s postupy, jako je faktorová analýza pro redukci rozměru dat či shluková analýza pro identifikaci skupin podobných objektů. Důraz je kladen především na praktickou aplikaci metod v prostředí R a na správnou prezentaci získaných výsledků.
Výběrová šetření	Ing. Ondřej Vozár, Ph.D.	Předmět se zaměřuje na metody výběru dat z konečných populací a na analýzu výběrových šetření používaných ve státní statistice, marketingu i průzkumech veřejného mínění. Naučíte se navrhovat vhodné výběrové postupy, stanovit potřebný rozsah výběru a pracovat s daty z komplexních šetření, například využít stratifikovaný výběr ke zvýšení přesnosti odhadu v heterogenní populaci. Důraz je kladen na porozumění principům výběrových metod, jejich správnou aplikaci v praxi a na interpretaci výsledků, včetně práce s chybějícími daty a integrace více datových zdrojů.

STATISTIKA
Předmět	Garant
Analýza extrémních hodnot (v angličtině)	Ing. Adam Čabla, Ph.D.	Předmět se zaměřuje na analýzu pravděpodobnostních rozdělení s těžkými konci a na to, jak výskyt extrémních hodnot ovlivňuje běžně používané statistické metody. Seznámíte se se základními typy těchto rozdělení, teorií extrémních hodnot a metodami identifikace těžkých konců – například s metodou špiček nad prahem (POT) pro modelování mimořádně velkých hodnot v datech. Důraz je kladen na propojení teorie se simulačními ukázkami a analýzou reálných dat z ekonomie, financí, pojišťovnictví i dalších oblastí.
Pokročilé predikce časových řad	Ing. Jiří Koudelka, Ph.D.	Předmět rozšiřuje znalosti studentů v oblasti pokročilých metod predikce časových řad se zaměřením na analýzu kauzálních vztahů. Naučíte se pracovat s nelineárními modely, metodami strojového učení a dynamickými kauzálními přístupy, například s LSTM sítěmi, které umožňují zachytit dlouhodobé závislosti v časových řadách. Důraz je kladen na praktickou implementaci metod v prostředí R a na analýzu reálných ekonomických a finančních dat.
Kauzální úsudky	Ing. Adam Čabla, Ph.D.	Předmět se zaměřuje na moderní metody kauzálních úsudků pro analýzu dat z nerandomizovaných experimentů a observačních studií. Seznámíte se s postupy, jako jsou kvaziexperimentální metody, instrumentální proměnné, rozdíl v rozdílech či syntetická kontrola, například s propensity score matching pro vyvažování rozdílů mezi skupinami při odhadu kauzálních efektů. Důraz je kladen na pochopení identifikačních předpokladů, správnou interpretaci výsledků a aplikaci metod na reálná data.
Výpočetní statistika	Ing. Jaroslav Horníček	Předmět poskytuje přehled o výpočetních, simulačních a numerických metodách, které hrají důležitou roli ve statistice. Naučíte se pracovat s postupy, jako je Monte Carlo simulace, bootstrap, jackknife nebo permutační testy, například s bootstrapovým přístupem pro odhad nejistoty bez nutnosti silných modelových předpokladů. Důraz je kladen na implementaci metod v prostředí R nebo Python a na rozvoj samostatného statistického uvažování při řešení praktických úloh.
Modely smíšených efektů	Ing. MUDr. Lubomír Štěpánek, Ph.D.

POJIŠTĚNÍ
Předmět	Garant
Matematické a pravděpodobnostní metody v životním pojištění	prof. RNDr. Luboš Marek, CSc.	Předmět se zaměřuje na moderní matematické a statistické metody využívané v životním pojištění, od oceňování závazků a tvorby technických rezerv až po analýzu finančních toků pojišťoven. Naučíte se řešit praktické úlohy vyžadující kvantitativní přístup – například výpočet pojistného pomocí jednoduchých modelů úmrtnosti nebo provádění deterministických a stochastických projekcí typu profit testingu. Důraz je kladen na názorné postupy a praktické ukázky, které propojují teorii s reálnou praxí životních pojišťoven, a také na pochopení vztahů mezi oceňováním, solventností a řízením rizik v rámci regulace Solvency II.
Pravděpodobnostní a statistické metody v neživotním pojištění	prof. RNDr. Luboš Marek, CSc.	Předmět se zaměřuje na základní principy a kvantitativní metody neživotního pojištění, které se používají při modelování rizik a odhadu budoucích škod. Naučíte se pracovat s pravděpodobnostními rozděleními a rizikovými modely, například s individuálním a kolektivním modelem, a také s praktickými technikami, jako jsou trojúhelníková schémata pro predikci cash flow nebo metody kredibility využívané při stanovení sazeb pojistného. Důraz je kladen na propojení statistických postupů s reálnými úlohami neživotních pojišťoven, srozumitelnou interpretaci výsledků a rozvoj aktuárských kompetencí v souladu s doporučeními Mezinárodní společnosti aktuárů.
Kvantitativní řízení nefinančních rizik pomocí statistiky a umělé inteligence	Ing. Michal Vyskočil, Ph.D.	Předmět se zaměřuje na kvantitativní řízení nefinančních rizik v pojistném a bankovním sektoru s využitím statistiky a nástrojů umělé inteligence. Seznámíte se s modelováním operačního, IT, ESG či outsourcingového rizika a s moderními přístupy v oblasti InsurTech a AML, například s využitím teorie extrémních hodnot pro odhad mimořádně vysokých operačních ztrát. Důraz je kladen na praktické aplikace formou případových studií, týmovou spolupráci a rozvoj dovedností potřebných pro roli risk managera, včetně kritického hodnocení reálných projektů.
Statistické modelování finančních rizik a jejich regulace	Ing. Jiří Koudelka, Ph.D.	Předmět se zaměřuje na statistické modelování finančních rizik v bankovním a pojistném sektoru v kontextu klíčových regulatorních rámců, jako jsou Solvency II, IFRS 17 a Basel III/IV. Naučíte se pracovat s modely pro pojistná, tržní, kreditní i likviditní rizika a porozumíte procesům, jako je ORSA nebo příprava reportů SFCR a RSR, které jsou nezbytné pro řízení rizik v praxi. Důraz je kladen na propojení statistických metod s reálnými regulatorními požadavky, práci na případových studiích a rozvoj analytických a komunikačních dovedností potřebných pro roli risk managera.