Okruhy k přijímacím zkouškám

Informace určené pouze pro uchazeče o navazující magisterské studium na FIS.

  1. Důvody existence datové analytiky – základní přínosy pro organizaci a zařazení datové analytiky v celkové architektuře firmy.
  2. Transakční data a úložiště.
  3. Databáze. Relační databázové systémy, jazyk SQL, návrh obsahu datové základny.
  4. Business Intelligence. Principy, technologické komponenty, nástroje.
  5. Úlohy strojového učení, proces učení modelu, chyba modelu.
  6. Základní algoritmy strojového učení a jejich implementace v Pythonu (Scikit).
  7. Neuronové sítě a hluboké učení. Koncepce, architektura, aplikace.
  8. Zpracování textových dat. Lingvistické zpracování přirozeného jazyka, jazykové modely, analytické metody, existující nástroje.
  9. Big data. Charakteristika velkých dat a metody pro jejich zpracování.

U uvedených okruhů jsou požadovány pouze základní znalosti na úrovni odpovídajících předmětů bakalářského studia. V průběhu magisterského studia budou tyto znalosti doplněny a rozšířeny v dalších předmětech.

Literatura:
  • POTANČOK, Martin, POUR, Jan, CHRAMOSTOVÁ, Veronika. Business analytika v praxi [online]. 1. vyd. Praha : Oeconomica, 2020. 204;s. ISBN 978-80-245-2382-8. Dostupné z:https://oeconomica.vse.cz/publikace/business-analytika-v-praxi/

  • SLÁNSKÝ, David. Data a analytika pro 21. století. 1. vyd. Příbram : Professional Publishing, 2018. 178 s. ISBN 978-80-88260-20-2

  • POUR, Jan, MARYŠKA, Miloš, STANOVSKÁ, Iva, ŠEDIVÁ, Zuzana. Self Service Business Intelligence [online]. 1. vyd. Praha : Grada Publishing, 2018. 352 s. ISBN 978-80-271-0616-5. Dostupné z: https://www.grada.cz/self-service-business-intelligence-9826/
  • JAMES, Gareth, et al. „Statistical learning.“ An Introduction to Statistical Learning: with Applications in Python. Cham: Springer International Publishing, 2023. 15-67. available at https://www.statlearning.com/
  • GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. “ O’Reilly Media, Inc.“, 2022

  1. Databáze – analýza, návrh a realizace databáze; datové modelování; databázové jazyky.
  2. Informační systémy – analýza, návrh, vývoj, provoz; architektury; metodiky vývoje a provozu; agilní přístupy.
  3. Propojení IT a businessu – modelování business systémů (procesů a objektů), ekonomické a organizační aspekty.
  4. Podnikové informační systémy – ERP II; důvody prosazení parametrizovatelných řešení; moduly a funkcionalita; CRM, BI, MRP II; kritéria výběru; situace na trhu.
  5. Základní komponenty BI řešení (integrace dat, uložení, analytické komponenty).
  6. Governance a strategie podnikové informatiky, včetně řízení portfolia projektů.
  7. Softwarové inženýrství – UML modelování a návrhové vzory.
Literatura:
  • Basl, J., Blažíček, R. Podnikové informační systémy. 3. aktual. a dopl. vyd. Praha: Grada, 2012. ISBN 978-80-247-4307-3.
  • Bruckner, T., Voříšek, J., Buchalcevová, A., aj. Tvorba informačních systémů. Praha: Grada, 2012. ISBN 978-80-247-4153-6.
  • Buchalcevová, A. Zlepšování procesů při budování informačních systémů. Praha: Oeconomica, 2018. ISBN 978-80-245-2235-7.
  • Řepa, V. Procesně řízená organizace. Praha: Grada, 2012. ISBN 978-80-247-4128-4.
  • Voříšek, J. Principy a modely řízení podnikové informatiky. Praha: Oeconomica, 2015. ISBN 978-80-245-2086-5.
  • Potančok, M., Pour, J., CHramostová, V. Business analytika v praxi. 1. vyd. Praha: Oeconomica, 2020. ISBN 978-80-245-2382-8.
  • Doležal, J. a kol. Projektový management. 2. vyd. Praha: Grada Publishing, 2023. ISBN 978-80-271-3619-3.
  • Pecinovský, R. Návrhové vzory. Praha: Computer Press, 2007. ISBN 978-80-251-1582-4.
  • Buchalcevová, A., Stanovská, I. Příklady modelů analýzy a návrhu aplikace v UML. 1. vyd. Praha: Oeconomica, 2013. 198 s. ISBN 978-80-245-1922-7.

Mikroekonomie

  1. Základní ekonomické koncepty: náklady příležitosti, pobídky, renty, rovnováha.
  2. Spotřebitelská volba: preference a indiferenční křivky; rozpočtové omezení; optimalizace.
  3. Trhy s mnoha kupujícími a prodávajícími: nabídka a poptávka; posuny křivek; krátkodobá a dlouhodobá rovnováha; konkurenční rovnováha.
  4. Firma a cenotvorba: náklady (fixní/variabilní), rozsah výroby, tržní síla a elasticita poptávky; ztráta mrtvé váhy.
  5. Strategické interakce: základní pojmy teorie her (dominantní strategie, Nashova rovnováha); sociální dilemata a veřejné statky.
  6. Trh práce na mikro úrovni: vztah zaměstnavatel–zaměstnanec, principál–agent; párování; stanovování mezd; aplikace na minimální mzdu.
  7. Úvěrové trhy a mezičasová volba: půjčování, spoření, investice; úroková míra.
  8. Tržní selhání a politika: externality; vlastnická práva.

Makroekonomie

  1. Měření makroekonomiky: HDP (výroba vs. výdaje), složky HDP; zaměstnanost, nezaměstnanost; cenová hladina, inflace; nominální vs. reálné mzdy; měření nerovností (Lorenzova křivka, Gini).
  2. Trh práce a nezaměstnanost: nabídka práce a poptávka po práci; mzdové vyjednávání; cenotvorba firem; strukturální nezaměstnanost.
  3. Agregátní poptávka a multiplikátor: agregátní poptávka (AD), šoky do AD a cyklické výkyvy; spotřeba a její vyhlazování; investice a jejich volatilita; vládní výdaje.
  4. Inflace a nezaměstnanost: Phillipsova křivka; očekávaná inflace.
  5. Makroekonomická politika: cíle a dělba rolí fiskální a měnové politiky; stabilizace poptávkových šoků; fiskální multiplikátor.
  6. Měnová politika a inflace: inflační cílování, ukotvení očekávání; přenosové kanály do inflace.
  7. Peníze a finanční sektor: tvorba peněz v moderní ekonomice (banky, úvěry, vklady); rozvaha centrální banky a státu; finanční zprostředkování.
  8. Otevřená ekonomika: měnové režimy (fixní vs. flexibilní); globální finanční trhy a úrokové sazby; mobilita kapitálu; společná měna.

Statistika, ekonometrie a programování

  1. Základy programování: proměnné, datové typy, podmínky, cykly, funkce, datové soubory.
  2. Analýza dat: typy proměnných, základní metody popisu dat, vizualizace dat.
  3. Teorie pravděpodobnosti: náhodný jev a jeho pravděpodobnost, podmíněná pravděpodobnost, náhodná veličina, diskrétní a spojitá pravděpodobnostní rozdělení, zákon velkých čísel, centrální limitní věta.
  4. Matematická statistika: náhodný výběr, bodový a intervalový odhad, testování hypotéz, korelační analýza.
  5. Regresní analýza: model lineární regrese a jeho předpoklady, metoda nejmenších čtverců, model logistické regrese, základní modely časových řad.

Angličtina

  1. Základní ekonomická terminologie – slovní zásoba a schopnost použít správně v kontextu: např. scarcity, opportunity cost, trade-off, incentives, marginal, average, utility, equilibrium, elasticity, efficiency, equality, poverty, productivity, demand and supply, cost, output, profit, inflation, unemployment,…
  2. Obecná slovní zásoba a znalost gramatiky na úrovni odpovídající maturitě z angličtiny
    U uvedených okruhů jsou požadovány pouze základní znalosti na úrovni odpovídající předmětům bakalářského studia.
Literatura:
  • The CORE Econ Team 2023: The Economy 2.0: Microeconomics. Open access e-text [online]. Available from: https://core-econ.org/the-economy/.
  • The CORE Econ Team 2023: The Economy 2.0: Macroeconomics. Open access e-text [online]. Available from: https://core-econ.org/the-economy/.
  • Mankiw, N. G. (2015). Principles of economics (7th ed.). Cengage Learning.
  • RICE, John A. Mathematical Statistics and Data Analysis. Duxbury, 2007. ISBN 978-0-534-39942-9.
  • ANDĚL, Jiří. Základy matematické statistiky. Praha: MatfyzPress, 2011. ISBN 978-80-7378-162-0.
  • WOOLDRIDGE, Jeffrey M. Introductory econometrics: a modern approach. Boston: Cengage Learning, 2016. ISBN 978-1-305-27010-7.

  1. Základy programování: proměnné, datové typy, podmínky, cykly, funkce, datové soubory, práce s balíčky.
  2. Analýza dat: typy proměnných, čištění a předzpracování dat, základní metody popisu dat, vizualizace dat.
  3. Teorie pravděpodobnosti: náhodný jev a jeho pravděpodobnost, podmíněná pravděpodobnost, náhodná veličina, diskrétní a spojitá pravděpodobnostní rozdělení, zákon velkých čísel, centrální limitní věta.
  4. Matematická statistika: náhodný výběr, statistiky, bodový a intervalový odhad, testování hypotéz, korelační analýza.
  5. Regresní analýza: model lineární regrese a jeho předpoklady, metoda nejmenších čtverců, model logistické regrese, základní modely časových řad.
  6. Optimalizace: formulace ekonomického a matematického modelu optimalizačních úloh, lineární programování, interpretace řešení.
Literatura:
  • RICE, John A. Mathematical Statistics and Data Analysis. Duxbury, 2007. ISBN 978-0-534-39942-9.
  • ANDĚL, Jiří. Základy matematické statistiky. Praha: MatfyzPress, 2011. ISBN 978-80-7378-162-0.
  • WOOLDRIDGE, Jeffrey M. Introductory econometrics : a modern approach. Boston: Cengage Learning, 2016. ISBN 978-1-305-27010-7.
  • CIPRA, Tomáš. Finanční ekonometrie. Praha: Ekopress, 2013. ISBN 978-80-86929-93-4.
  • HILLIER, Frederick S. a LIEBERMAN, Gerald J. Introduction to operations research. New York: McGraw-Hill Higher Education, 2021. ISBN 978-1-259-87299-0.
  • JABLONSKÝ, Josef. Operační výzkum : kvantitativní modely pro ekonomické rozhodování. Praha: Professional Publishing, 2007. ISBN 978-80-86946-44-3.

  1. Popis jednorozměrných dat – míry polohy, variability, šikmosti a špičatosti.
  2. Definice pravděpodobnosti. Pravidla pro počítání s pravděpodobnostmi.
  3. Náhodná veličina, její rozdělení a základní formy popisu rozdělení. Charakteristiky náhodné veličiny. Základní pravděpodobnostní rozdělení (binomické, hypergeometrické, Poissonovo, exponenciální, normální, t, F, chí-kvadrát).
  4. Zákon velkých čísel a centrální limitní věta.
  5. Bodový odhad, metody konstrukce a vlastnosti bodového odhadu. Intervalový odhad.
  6. Testování statistických hypotéz. Základní pojmy a postupy.
  7. Regresní a korelační analýza. Analýza rozptylu. Analýza kontingenčních tabulek. Základní pojmy a postupy.
  8. Časové řady. Klasický model časové řady. Typy trendových funkcí a kritéria jejich volby. Základní modely sezónnosti, sezónní očišťování.

Informace k přijímací zkoušce:
Přijímací zkouška ověřuje základní orientaci a znalosti z oblastí statistických metod, teorie pravděpodobnosti a matematické statistiky, přibližně v rozsahu bakalářských předmětů (např. dva semestry s výukou 2 hodiny přednášky / 2 hodiny cvičení týdně).

Struktura testu:

  • Otázky zaměřené na teoretické znalosti a základní porozumění.
  • Otázky nebo krátké příklady vyžadující aplikaci znalostí a jednoduché výpočty (možnost využít vlastní kalkulačku, vzorce potřebné pro řešení budou uvedeny přímo u jednotlivých otázek).

Další požadavky:

  • Předpokládá se základní uživatelská znalost programování v jazyce R nebo Python, zejména schopnost orientace v jednoduchém kódu a základních datových operacích.
Literatura
  • HINDLS, Richard, ARLTOVÁ, Markéta, HRONOVÁ, Stanislava, MALÁ, Ivana, MAREK, Luboš, PECÁKOVÁ, Iva, ŘEZANKOVÁ, Hana. Statistika v ekonomii. 1. vyd. Příbram : Professional Publishing, 2018. 395 s. ISBN 978-80-88260-09-7.

Tato publikace je doporučená jako příprava k přijímací zkoušce. Je však možné použít i jinou obdobnou učebnici, která pokrývá základy statistiky na bakalářské úrovni.

    1. Základy matematické logiky, algoritmus, prostředky pro zápis algoritmu, algoritmické konstrukce. Složitost algoritmu, algoritmicky neřešitelné problémy.
    2. Vysvětlitelnost (XAI): porozumění transparentním „white-box“ modelům (např. rozhodovací stromy, pravidla), význam prediktorů (feature importance), metody LIME a SHAP pro interpretaci „black-box“ modelů.
    3. Reprezentace textových dokumentů (BoW, TF-IDF, vektorové vnoření – embeddings). Modely vyhledávání a hodnocení relevance.
    4. Programovací paradigmata: Porovnání objektově orientovaného (třída, objekt, dědičnost, polymorfismus, zapouzdření) a procedurálního programování. Datové typy a struktury, základní programovací konstrukty (podmínky, cykly, výjimky atp.).
    5. Vývoj a testování softwaru (přístupy, metodiky). Návrhové a architektonické vzory při vývoji softwaru (vícevrstvé architektury, klient-server, microservices, MVC, observer, singleton). Uživatelská rozhraní aplikací, API. Správa verzí (git). Správa konfigurací, integrace (sestavení) a distribuce aplikací.
    6. Relační a NoSQL databáze a jejich základní vlastnosti. Návrh struktury databáze, jazyk SQL. Strukturované a nestrukturované datové formáty.
    7. Strojové učení s učitelem (logistická regrese, K-NN a souborové metody typu rozhodovací lesy, perceptron).
    8. Strojové učení bez učitele (k-means, algomerativní shlukování, asociační pravidla).
    9. Evaluace modelů (matice záměn, precision, recall, analýza ROC křivky s hodnotou AUC), křížová validace, rozdělení dat na trénovací a testovací.
    10. Lineární regresní model (formulace modelu, metoda nejmenších čtverců – statistické vlastnosti a výchozí předpoklady, testování hypotéz).

     

    Součástí přijímacího testu mohou být taktéž početní příklady. Vzorce budou přímo u příkladu a na jejich výpočet nebude potřeba kalkulačka.

    Literatura:
    • PELIKÁN, J. – HENZLER, J.: Matematické základy informatiky. Praha, Oeconomica 2008. ISBN 978-80-245-1396-6.
    • MOLNAR, Christoph (2025). Interpretable Machine Learning: A Guide For Making Black Box Models Explainable. [s.l.]: Christoph Molnar. ISBN 978-3-911578-03-5. Dostupné také z: https://christophm.github.io/interpretable-ml-book/.
    • BERKA, Petr (2003). Dobývání znalostí z databází. Praha: Academia. ISBN 978-80-200-1062-9.
      WOOLDRIDGE, J. M. (2016). Introductory econometrics: A modern approach. Mason, OH: South-Western Cengage Learning.
    • CHLAPEK, Dušan; KUČERA, Jan a PALOVSKÁ, Helena. Datové modelování a návrh relační databáze : sbírka řešených úloh. Praha: Oeconomica, nakladatelství VŠE, 2019. ISBN 978-80-245-2331-6.
    • BRUCKNER, Tomáš; BUCHALCEVOVÁ, Alena; CHLAPEK, Dušan; STANOVSKÁ, Iva; VOŘÍŠEK, Jiří; ŘEPA, Václav. Tvorba informačních systémů : principy, metodiky, architektury. Praha: Grada Publishing, 2012. ISBN 978-80-247-4153-6.
    • PECINOVSKÝ, Rudolf (2024). Začínáme programovat v jazyku Python. 3., rozšířené a aktualizované vydání. Praha: Grada Publishing. ISBN 978-80-271-5467-8.