Szkolenie: Podstawy uczenia maszynowego z R
Podczas szkolenia uczestnicy poznają podstawy uczenia maszynowego w języku R. Jest to szkolenie dla Ciebie, jeżeli dopiero chcesz zacząć pracę z uczeniem maszynowym.
3685 PLN+23% VAT (4532 PLN brutto / 1 os.)Czas trwania szkolenia:3 dni (24h)
Kod kursu:R/ML
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
3685 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
3685 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
3685 PLN nettoLokalizacja:
ZdalnePodstawy uczenia maszynowego z R
Cele szkolenia
Zapoznanie z podstawami uczenia maszynowego w języku R
Przedstawienie najnowszych i najlepiej przystosowanych do uczenia maszynowego pakietów
Dla kogo?
Analityków danych, którzy chcą wejść do świata uczenia maszynowego (ang. machine learning)
Programistów, którzy chcą rozpocząć przygodę z uczeniem maszynowym
Zalety
Poznanie prężnie rozwijającej się dziedziny predykcyjnej analizy danych, która staje się standardem w obecnych realiach powodzi danych
Zrozumienie użycia technik i narzędzi uczenia maszynowego w środowisku R
Wymagania
Podstawowa umiejętność programowania w języku R, w szczególności operacji na danych (pakiet dplyr)
Nie jest wymagane posiadanie wiedzy z zakresu uczenia maszynowego i statystyki
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Modelowanie
Na czym polega modelowanie i po co to robić?
Prognozowanie, wyjaśnianie, przyczynowość
Regresja liniowa i problemy regresyjne
Interpretacja współczynników i podsumowanie modelu
Jak wykorzystać reszty?
Zależności nieliniowe i interakcje
Współliniowość
Regresja logistyczna i problemy klasyfikacyjne
Interpretacja współczynników i podsumowanie modelu
Jak podsumować model?
Macierz błędów
Czułość i swoistość, precyzja i recall
Pole pod krzywą ROC (AUC)
Czym różni się uczenie maszynowe od klasycznego modelowania?
Podział na zbiór treningowy i testowy
Podejście parametrycznie i nieparametryczne
Nadmierne dopasowanie (overfitting)
Poszukiwanie hiperparametrów (tuning)
Algorytmy uczenia maszynowego
Naiwny klasyfikator bayesowski
Metoda k najbliższych sąsiadów
Drzewo decyzyjne
Las losowy
Autorem szkolenia jest Piotr Szulc
Ukończył Wydział Matematyki Politechniki Wrocławskiej, uzyskując stopień doktora. Przez wiele lat współpracował z Uniwersytetem Stanforda i Uniwersytetem Wiedeńskim, prezentował referaty na kilkunastu krajowych i zagranicznych konferencjach naukowych, między innymi reprezentował Polskę na 18th European Young Statisticians Meeting. Zajmował się zastosowaniami modeli statystycznych w genetyce, w problemie lokalizacji genów. Obecnie współpracuje z wrocławskimi firmami windykacyjnymi, prowadzi szkolenia…
