Szkolenie: Uczenie maszynowe w języku Python - wprowadzenie
Szkolenie wprowadza od podstaw w dziedzinę uczenia maszynowego. Uczestnicy szkolenia poznają algorytmy uczenia maszynowego i zobaczą jak wykorzystuje się je w praktyce, w realnych projektach.
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:3 dni (24h)
Kod kursu:PYTHON/ML
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
2750 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
2750 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
2750 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
2750 PLN nettoLokalizacja:
ZdalneUczenie maszynowe w języku Python - wprowadzenie
Cele szkolenia
Zapoznanie się z podstawowymi algorytmami uczenia maszynowego
Poznanie metodologii i nabycie praktycznych umiejętności rozwiązywania rzeczywistych problemów z wykorzystaniem algorytmów uczenia maszynowego
Opanowanie narzędzi języka Python do pracy z algorytmami uczenia maszynowego
Dla kogo?
Osób, które wykorzystują dane w swojej pracy i chcą poszerzyć swoje kompetencje o wiedzę z obszaru uczenia maszynowego (ang. machine learning)
Programistów i wszystkich osób o profilu technicznym, które chcą rozpocząć pracę z uczeniem maszynowym
Zalety
Szkolenie "Uczenie maszynowe w języku Python - wprowadzenie" jest prowadzone przez osoby na co dzień stosujące uczenie maszynowe z użyciem języka Python i mające duże praktyczne doświadczenie w tej dziedzinie
Solidne omówienie mechanizmów działania algorytmów, zapewniające dokładne zrozumienie i efektywne ich wykorzystywanie
Ćwiczenia na realnych problemach, poznanie procesu wykorzystywania uczenia maszynowego w praktyce, a w efekcie zdobycie praktycznych kompetencji, pozwalających na zastosowanie uczenia maszynowego w pracy
Dogłębne zrozumienie fundamentów dziedziny uczenia maszynowego (zarówno teorii algorytmów, jak i aspektów praktycznych), pozwalajace na efektywne, samodzielne rozwijanie tej wiedzy w przyszłości
Poznanie wiodącej biblioteki do uczenia maszynowego - Scikit-learn
Wymagania
Szkolenie "Uczenie maszynowe w języku Python - wprowadzenie" wymaga podstawowej umiejętności programowania w języku Python. Osoby bez bez znajomości Pythona, mogą uzupełnić swoją wiedzę na naszym szkoleniu "Python: Jednodniowe wprowadzenie do składni języka i środowiska dla Data Scientists"
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
Krótkie wprowadzenie do przetwarzania danych w języku Python
Numpy - biblioteka do wykonywania obliczeń:
Pandas - przetwarzanie danych tabelarycznych:
Matplotlib - wizualizacja danych
Wprowadzenie do dziedziny uczenia maszynowego
Definicja uczenia maszynowego, podstawowe pojęcia
Uczenie maszynowe a sztuczna inteligencja, modele statystyczne i uczenie głębokie
Jakie problemy potrafią rozwiązywać algorytmy uczenia maszynowego, obszary zastosowań
Rodzaje algorytmów uczenia maszynowego
Jak dobrać algorytm do zadania?
Praca z algorytmami uczenia maszynowego w praktyce
Metodologia rozwiązywania problemów biznesowych z wykorzystaniem uczenia maszynowego
Przygotowanie danych do modelowania - inżynieria cech (ang. feature engineering)
Schematy oceny skuteczności algorytmów: dane treningowe i testowe, walidacja krzyżowa
Optymalizacja hiperparametrów algorytmów
Zjawisko przeuczenia (ang. overfitting) i metody regularyzacji modeli
Podstawy implementacji profesjonalnych potoków uczenia maszynowego (ang. machine learning pipelines)
Problem regresji - predykcja wartości liczbowych
Model regresji liniowej
Interpretacja działania modelu
Metody ewaluacji poprawności modelu
Sposoby mierzenia skuteczności modelu, komunikacja wyników
Techniki poprawy jakości modelu poprzez transformacje danych
Problem klasyfikacji - predykcja kategorii
Przykłady problemów klasyfikacji spotykanych w praktyce
Model regresji logistycznej
Drzewa decyzyjne
Interpretacja zależności wykrywanych przez modele
Obliczanie prawdopodobieństwa zdarzeń
Realizacja praktycznego projektu - od surowych danych do prezentacji skuteczności rozwiązania
Przygotowanie surowych danych do modelowania
Eksperymenty z algorytmami
Komunikacja wyników
Podsumowanie szkolenia
Praktyczne wady i zalety poszczególnych algorytmów
Rola zrozumienia uwarunkowań biznesowych w pracy z algorytmami
Czego i jak uczyć się dalej?
Autorem szkolenia jest Norbert Ryciak
Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning. W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów - rozpoznawaniem wydźwięku i analizą…
