VYBRANÉ PROJEKTY

Projekty postavené na reálných datových problémech.

Výběr projektů propojujících dolování dat, kvalitu dat, statistické modelování, machine learning a praktickou implementaci.

Prozkoumat projekty Probrat projekt

Dolování dat Kvalita dat Machine Learning Entity Resolution Statistická analýza

PŘÍSTUP K PRÁCI

Od surových informací k výsledku, který lze skutečně využít.

Níže uvedené projekty odrážejí způsob, jakým obvykle přistupuji k práci s daty: pečlivě data získat, prověřit jejich kvalitu, modelovat pouze tehdy, když to dává smysl, validovat výstupy a zachovat výsledky srozumitelné. Zároveň ukazují, jak lze různé technické fáze propojit do jednoho end-to-end workflow.

VYBRANÉ PROJEKTY

WEBOVÁ APLIKACE · 2026

SPECIALIZACE

Webový Entity Resolution Engine pro inzeráty SReality

Webová implementace mé metodiky entity resolution, navržená tak, aby byla detekce duplicit a grafová rekonsiliace srozumitelná i netechnickému uživateli.

Uživatelé mohou vložit URL inzerátů k pronájmu a spustit workflow, které porovnává kandidátní záznamy, odhaduje pravděpodobnost duplicitních vztahů a vrací finální skupiny entit po grafové rekonsiliaci.

Python R Random Forest Correlation Clustering Docker Firebase HTML / CSS / JS

Otevřít živý projekt Služba Entity Resolution

URL 01 Inzerát SReality

URL 02 Inzerát SReality

URL 03 Inzerát SReality

↓

PÁROVÁ KLASIFIKACE Random Forest

0.91 0.74 0.18

↓

GRAFOVÁ REKONSILIACE Konzistentní skupiny entit

VSTUP Záznamy

→

VÝSTUP Entity

DIPLOMOVÁ PRÁCE · 2024—2026

Zlepšování kvality informací o cenách bydlení inzerovaného na agregačních platformách

End-to-end studie duplicitních inzerátů nájemního bydlení jako problému kvality dat při analýze online trhu s bydlením.

Získal a strukturoval jsem pražské inzeráty nájemního bydlení ze SReality, vytvořil párové similarity features, sestavil a validoval klasifikátory Random Forest a převedl párové predikce duplicit do datasetů na úrovni entit pomocí alternativních režimů grafového řešení.

Python R Scrapy Random Forest Graph Analytics Pyomo GLPK

Probrat projekt

VYVÁŽENÉ ŘEŠENÍ

Řešení duplicit významně změnilo pozorovaný počet nabídek.

VSTUPNÍ
INZERÁTY 2,607

→

VÝSLEDNÉ
ENTITY 2,377

KOREKCE POČTU NABÍDEK −8.82%

Vyvážený režim correlation clustering představoval střední cestu mezi konzervativními a expanzivními předpoklady grafového řešení.

NEZÁVISLÝ PROJEKT · 2023

Analýza rezidenčního trhu v Lisabonu

Automatizovaný pipeline pro dolování, čištění a statistickou analýzu dat, vytvořený z 7 005 rezidenčních nabídek k prodeji pokrývajících 22 z 24 lisabonských čtvrtí.

Vyvinul jsem sérii vlastních programů pro zpracování celého workflow end to end: Mercury získával z iMovirtual až 20 atributů na nemovitost; Themis opravoval a restrukturalizoval nesprávně umístěné hodnoty; Veritas odstraňoval pravděpodobně duplicitní inzeráty a Gaea před analýzou ošetřoval extrémní pozorování.

Výsledný finální vzorek obsahoval 4 056 rezidenčních jednotek. Pátý program, Cadmus, automatizoval deskriptivní statistiky, kontrolu předpokladů a inferenční testování na úrovni města i jednotlivých čtvrtí, provedl 207 t-testů a 115 deskriptivních funkcí a vytvořil podklady pro analytickou zprávu o 76 stranách.

Na úrovni celého Lisabonu analýza zjistila statisticky významné pozitivní souvislosti mezi prodejní cenou za m² a vybavením, jako jsou klimatizace, výtahy, parkování, výhled na řeku a výhled na město. Vyčištěný vzorek měl mediánovou prodejní cenu 500 000 €, přičemž medián čisté a hrubé plochy činil 86 m² a 95 m².

Python Web scraping Čištění dat Deduplikace Ošetření odlehlých hodnot Inferenční statistika Automatizovaný reporting

Služba Sběr dat Služba Analýza dat

AUTOMATIZOVANÝ PIPELINE ANALÝZY TRHU Rezidenční trh v Lisabonu

2023

MERCURY Získat data z trhu 7 005 vstupních inzerátů · až 20 atributů na každý

↓

THEMIS Opravit & strukturovat 6 891 vyčištěných záznamů

↓

VERITAS Odstranit pravděpodobné duplicity 5 381 ponechaných záznamů

↓

GAEA Ošetřit extrémní pozorování Finální analytický vzorek 4 056 jednotek

↓

CADMUS Analyzovat & reportovat Statistické výstupy za celé město + jednotlivé čtvrti

ČTVRTI 22

T-TESTY 207

ZPRÁVA 76 str.

MEDIÁNOVÁ NEMOVITOST VE FINÁLNÍM VZORKU

500 tis. € prodejní cena 86 m² čistá plocha 95 m² hrubá plocha

Probrat projekt

NAPŘÍČ PROJEKTY

Společným jmenovatelem není jeden nástroj. Je jím způsob řešení problému.

END-TO-END

Práce napříč celým analytickým řetězcem.

Sběr dat, čištění, tvorba features, modelování, validace a finální výstup jsou chápány jako propojené fáze.

KVALITA DAT NA PRVNÍM MÍSTĚ

Nepředpokládat, že zdrojová data jsou automaticky spolehlivá.

Chybějící hodnoty, duplicity, nekonzistentní struktury a volby způsobu měření jsou součástí samotného analytického problému.

DOHLEDATELNÝ VÝSTUP

Zachovat technická rozhodnutí srozumitelná.

Modely a transformace by měly vést k výsledku, který lze kontrolovat, komunikovat a využít i mimo kód, který jej vytvořil.

MÁTE V HLAVĚ PROJEKT?

Pojďme převést problém do něčeho konkrétního.

Napište mi, jaká data máte, co je na nich problematické a čeho potřebujete ve výsledku dosáhnout. Odtud můžeme společně navrhnout vhodné analytické workflow.

Probrat projekt