Szkolenie: Uczenie maszynowe z wykorzystaniem R
Podczas tego szkolenia nauczysz się budować modele uczenia maszynowego w jednym z najpopularniejszych i najprostszych w obsłudze narzędzi - środowisku R.
4345 PLN+23% VAT (5344 PLN brutto / 1 os.)Czas trwania szkolenia:4 dni (32h)
Kod kursu:ML/MID/R
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
4345 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
4345 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4345 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4345 PLN nettoLokalizacja:
ZdalneUczenie maszynowe z wykorzystaniem R
Cele szkolenia
Ugruntowanie wiedzy z zakresu uczenia maszynowego w R
Rozszerzenie wiedzy o modele oraz narzędzia stanowiące kompletny warsztat pracy specjalisty uczenia maszynowego
Dla kogo?
Analityków danych, statystyków oraz programistów
Zalety
Rozwiązywanie biznesowych zagadnień
Praca z danymi pochodzącymi z rzeczywistych problemów
Wyrabianie odpowiedniej intuicji niezbędnej w procesie budowy kompletnego modelu
Wymagania
Podstawowa wiedza w zakresie uczenia maszynowego (np. szkolenie „Podstawy uczenia maszynowego z R”)
Podstawowa umiejętność programowania w R (np. szkolenie „Podstawy programowania w R”)
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
Wstęp
Omówienie tematyki szkolenia w kontekście obecnych trendów w uczeniu maszynowym
Powtórzenie podstawowych metod, narzędzi i miar wykorzystywanych w uczeniu maszynowym
Regresja liniowa - tematy zaawansowane
Kryteria wyboru modelu
Regresja grzbietowa
Lasso
Uogólnione modele addytywne (GAM)
Funkcje bazowe
Smoothing splines
Zastosowanie w klasyfikacji i regresji
Porównanie GAM z modelami opartymi na drzewach
Problemy klasyfikacyjne - tematy zaawansowane
Niezrównoważone klasy
Kalibracja prawdopodobieństw
Optymalizacja budowy modelu przy pomocy zbioru pakietów tidymodels
Zastosowanie w klasyfikacji i regresji
Porównywanie modeli
Techniki wyboru hiperparametrów
Imputacja braków danych, transformacje zmiennych
Extreme Gradient Boosting
Czym jest boosting, porównanie z lasem losowym
Zastosowanie w klasyfikacji i regresji
Sieci neuronowe
Sieć neuronowa jako uogólnienie regresji
Perceptron, neurony, warstwy: wejściowa, wyjściowa, ukryte
Funkcja aktywacji, batch, epoka, współczynnik uczenia
Zastosowanie w klasyfikacji i regresji
PCA
Komponenty, ładunki, scores
Wybór liczby składowych, kryterium Kaisera, wykres osypiska
Rotacja
Zastosowanie w wizualizacji
Zastosowanie w redukcji wymiaru
Zastosowanie w regresji (PCR)
Interpretowalne uczenie maszynowe (XAI)
Ważność zmiennych
Partial Dependence Plot
Shapley Additive Explanations
Analiza skupień
Metoda k-średnich
Jak wybrać k?
Grupowanie hierarchiczne
Podsumowanie
Porównanie metod
Granica decyzyjna
Jak ulepszyć istniejący model?
Przykład budowy modelu od A do Z
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…
