Szkolenie: AI & Data Science - kurs rozwojowy

Składania języka Python

Typy danych

Instrukcje sterujące, funkcje

Podstawy języka Python: typy danych, instrukcje sterujące, funkcje

List comprehensions - efektywne przetwarzanie sekwencji danych

Zaawansowane mechanizmy przekazywania argumentów w funkcjach

Obsługa wyjątków i zarządzanie błędami

Programowanie obiektowe – klasy i metody

Wyrażenia regularne (regex) - wydobywanie składowych tekstów

Środowisko programistyczne PyCharm

Środowisko programistyczne Jupyter

Język SQL - wydobywanie danych z baz SQL

System wersjonowania kodu Git

Moduł obliczeniowy numpy

Przetwarzanie i analiza danych z biblioteką pandas

Wizualizacja danych z biblioteką matplotlib

Obsługa danych różnych formatów (txt, csv, xlsx, json)

Pobieranie danych przez API

Web scraping - pobieranie danych ze stron internetowych

Łączenie z SQL'owymi bazami danych z poziomu Pythona

Rachunek prawdopodobieństwa - matematyczne podstawy modelowania danych

Zagadnienie estymacji statystycznej

Przedziały ufności i ich znaczenie w praktyce

Eksperymenty statystyczne - testowanie hipotez

Problem przewidywania wielkości liczbowych - zagadnienie regresji

Model regresji liniowej, mechanizm i interpretacja działania

Metodologia trenowania i ewaluacji jakości modeli

Metody ewaluacji jakości rozwiązań i walidacja modeli

Optymalizacja dopasowania modeli - problem przeuczenia (overfitting)

Problematyka obserwacji odstających - outliers

Proces modelowania a korelacje w danych

Praktyczne szukanie najlepszego modelu poprzez transformowanie danych

Zagadnienie klasyfikacji - tłumaczenie problemów biznesowych na problem klasyfikacji

Uczenie maszynowe a modelowanie statystyczne - czym się różnią i co mają wspólnego

Eksploracja danych (EDA) na potrzeby modelowania, przygotowywanie rzeczywistych zbiorów danych do modelowania, czyszczenie danych

Podstawowe algorytmy klasyfikacji używane w biznesie: model regresji logistycznej, drzewa decyzyjne, SVM

Praktyczne wzmacnianie algorytmów poprzez tworzenie komitetów decyzyjnych (ensembling), lasy losowe

Feature engineering (inżynieria cech) - techniki obsługi różnych typów zmiennych, zasady ich wykorzystania i dobre praktyki

Ocena wpływu czynników wejściowych na predykcje, interpretowalność modeli lub jej brak (problem czarnych skrzynek)

Życiowe problemy z danymi i specjalistyczne techniki radzenia sobie z nimi (braki w danych, problem niezbalansowanych danych)

Praktyczny tuning modeli - optymalizacja hiperparametrów algorytmów i całych procesów predykcyjnych

Algorytmy zaawansowane: boosting i XGBoost

Profesjonalna ewaluacja jakości klasyfikatorów - komunikacji wyników dla biznesu (proste metryki) i dla specjalistów (skomplikowane metryki)

Modelowanie danych tekstowych

Rozwiązywanie otwartych problemów analitycznych - niezadzorowane uczenie maszynowe

Przekleństwo wymiarowości i redukcja wymiaru danych przy użyciu SVD i PCA

Algorytmy grupowania/segmentacji danych - najczęściej stosowane algorytmy, dobór algorytmu do problemu, analiza i interpretacja efektów

Implementacja produkcyjnej jakości procesów predykcyjnych - machine learning pipelines

Obiektowa implementacja komponentów procesów

Zarządzanie strukturą i środowiskiem projektu

Automatyzacja inteligentnego szukania optymalnych rozwiązań - optymalizacja bayesowska

Zarządzanie eksperymentami i monitorowanie efektów działania rozwiązań - MLFlow

Sztuczne sieci neuronowe - mechanizm działania

Proces uczenia sieci neuronowych i jego strojenie

Perceptron wielowarstwowy - algorytm predykcyjny dla klasycznych problemów

Rozpoznawanie obrazów - konwolucyjne sieci neuronowe

Sztuczne rozszerzenie zbiorów uczących - augmentacja danych

Wykorzystanie gotowych potężnych sieci do pracy z obrazami - transfer learning

Klasyfikacja tekstów - przetwarzanie języka naturalnego (NLP) z rekurencyjnymi sieciami neuronowymi

Wektorowe reprezentacje słów - word embeddings

Sieci Transformer - najpotężniejsze sieci współczesnego NLP

Transfer learning w NLP - gotowe do użycia rozumiejące język sieci BERT

Wykorzystanie narzędzi AI do zwiększania wydajności pracy w branży data science

Modele językowe: zasada działania, możliwości i ograniczenia

Zastosowanie modeli językowych do wykonywania zadań analitycznych

Strukturyzacja odpowiedzi zwracanych przez modele

Implementacja RAG - nowy wymiar wydobywania informacji z danych