Szkolenia Uczenie maszynowe (ML)

Uczenie maszynowe w Pythonie zwykle zaczyna się od pracy z danymi tabelarycznymi, budowy prostych modeli regresji i klasyfikacji oraz oceny ich jakości. Warto sprawdzić kolejność nauki: NumPy i Pandas do przetwarzania danych, Matplotlib do wizualizacji oraz scikit-learn do walidacji, strojenia hiperparametrów i budowy potoków ML. Przykładem może być przygotowanie zbioru danych, podział na zbiory treningowe i testowe oraz uruchomienie regresji logistycznej lub drzewa decyzyjnego.
Jeśli chcesz przećwiczyć to krok po kroku, zobacz: Python - uczenie maszynowe - wprowadzenie.

Dobór modelu zależy od typu zmiennej celu, liczby obserwacji, jakości cech oraz wymagań dotyczących interpretowalności i wydajności. Należy sprawdzić, czy problem dotyczy predykcji wartości liczbowych, przypisywania klas, analizy obrazów, tekstu albo danych sekwencyjnych, a następnie porównać modele bazowe z bardziej złożonymi architekturami. Przykładowo dla danych tabelarycznych często zaczyna się od modeli liniowych, drzewiastych i boostingowych, a sieci neuronowe stosuje się wtedy, gdy struktura danych lub skala problemu to uzasadniają.
Ten temat przerabiamy praktycznie na szkoleniu: Uczenie maszynowe w języku Python - warsztat profesjonalisty.

Optymalizacja modeli głębokiego uczenia obejmuje zmniejszanie kosztu obliczeniowego i pamięciowego bez niekontrolowanej utraty jakości predykcji. W praktyce warto sprawdzić wpływ kwantyzacji, pruning, mixed-precision training, optymalizacji potoków danych oraz eksportu do formatów i silników inferencyjnych takich jak ONNX czy TensorRT. Przykładem jest przygotowanie modelu do wdrożenia na urządzeniu edge, gdzie liczą się opóźnienie, zużycie pamięci i stabilność działania.
Wersję warsztatową (z konfiguracją i przykładami) znajdziesz w programie szkolenia: Optymalizacja modeli uczenia głębokiego w procesie treningu i inferencji.

Transfer learning polega na wykorzystaniu wcześniej wytrenowanych reprezentacji, a fine-tuning na dalszym dostrajaniu części lub całości modelu do konkretnego zadania. Trzeba sprawdzić podobieństwo domen, rozmiar zbioru danych, koszt treningu oraz to, czy potrzebna jest pełna kontrola nad modelem, czy tylko adaptacja warstw końcowych albo adapterów takich jak LoRA. Przykładem może być dostrajanie modelu językowego do klasyfikacji dokumentów albo modelu wizyjnego do segmentacji danych obrazowych z własnej domeny.
To jedno z zagadnień omawianych podczas szkolenia: Fine-tuning modeli językowych.

Interpretowalne uczenie maszynowe obejmuje metody pokazujące, które cechy, fragmenty obrazu lub koncepty wpływają na wynik modelu. Warto sprawdzić, czy potrzebne są wyjaśnienia lokalne dla pojedynczych predykcji, czy globalne dla całego modelu, a następnie dobrać techniki takie jak mapy istotności, TCAV, prototypy albo zadania sondujące. Przykładem jest analiza klasyfikatora obrazów, w której sprawdza się, czy model reaguje na obiekt, czy na artefakty obecne w danych treningowych.

Szkolenia z tej kategorii dla osób rozpoczynających pracę z sieciami neuronowymi powinny obejmować podstawy architektur, proces treningu, regularyzację, ocenę jakości modeli oraz praktyczną implementację w Pythonie. Dobrze sprawdzić, czy programy prowadzą od perceptronu wielowarstwowego przez CNN i RNN do zadań na obrazach, tekście lub danych tabelarycznych, bez pomijania problemów takich jak overfitting i dobór hiperparametrów. Przykładem właściwej ścieżki jest połączenie podstaw deep learningu z ćwiczeniami implementacyjnymi i analizą wyników modeli.
Ten temat przerabiamy praktycznie na szkoleniu: Deep learning.