Trwają zapisy do grupy
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.
3350 PLN+23% VAT (4120 PLN brutto / 1 os.)Czas trwania szkolenia:3 dni (24h)
Poziom zaawansowania:
Kod kursu:R/ML
Dostępne terminy
Termin:
Trener:
Trener-Sages
Cena:
3350 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Trener-Sages
Cena:
3350 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
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…
