Podstawy uczenia maszynowego w języku Python

LICZBA DNI: 3 (24h)

KOD KURSU: PYTHON/ML

Powiadom
o kolejnych terminach

# ai

O szkoleniu

DLA KOGO?

Szkolenie przeznaczone jest dla analityków danych, którzy chcą wejść do świata uczenia maszynowego (ang. machine learning)

Szkolenie również kierowane jest do programistów którzy chcą rozpocząć przygodę z uczeniem maszynowym

Szkolenie pozwoli poznać prężnie rozwijającą się dziedzinę predykcyjnej analizy danych, która staje się standardem w obecnych realiach powodzi danych

Ponadto, uczestnicy będą mogli lepiej zrozumieć użycie technik i narzędzi uczenia maszynowego w środowisku Python, który jest dojrzałym językiem produkcyjnym

WYMAGANIA

Szkolenie wymaga podstawowej umiejętności programowania w dowolnym języku (wersja ze wstępem do języka Python, 1 dzień dłużej) lub podstaw programowania w języku Python

ZALETY

Szkolenie jest prowadzone przez osoby na co dzień pracujące z problemami analizy danych i uczenia maszynowego z użyciem języka Python i mającymi praktyczne doświadczenie w tej dziedzinie

Z tego powodu szkolenie często wykracza poza dostępne choć często rozproszone materiały

Ponadto, program jest ciągle uaktualniany ze względu na szybki rozwój rozwiązań, których dotyczy szkolenie

Cele szkolenia

Zapoznanie się z podstawami uczenia maszynowego oraz związanymi narzędziami w języku Python

Pozwolenie na łączenie wielu narzędzi, umożliwienie wykonywania bardziej skomplikowanych analiz i predykcji z użyciem algorytmów uczenia maszynowego

Możliwość łatwego przenienia na środowisko produkcyjne w dość krótkim czasie algorytmów i modeli uczenia maszynowego napisanych w języku Python

Program

  • Cel szkolenia
  • Python
    • Historia
    • Charakterystyka
    • Porównanie z innymi językami
    • Dlaczego Python?
  • Dostępne wersje
  • Dystrybucje Python
  • Instalacja Pythona
  • Instalacja bibliotek
    • PyPI
    • Setuptools, Pip
    • VirtualEnv
  • Interpreter
    • podstawowy
    • IPython
  • Podstawowe właściwości języka
  • Składnia
  • Struktury danych
  • Instrukcje
  • Funkcje
  • Obiekty
  • Moduły i pakiety
  • Biblioteka podstawowa
  • Teoria
    • Czym jest uczenie maszynowe?
    • Regresja i klasyfikacja
    • Miary jakości
  • Praktyka
    • Podstawy NumPy
    • Podstawy Scikit-learn
    • Otwarte źródła danych
    • Praca z danymi z użyciem NumPy i Scikit-learn
  • Z nadzorem:
    • Regresja liniowa
    • Regresja logisyczna
    • Support Vector Machines (SVM)
    • Naive Bayes
    • Drzewa decyzyjne
    • Sztuczne sieci neuronowe
  • Bez nadzoru:
    • Klastrowanie
    • Principal Component Analysis (PCA)
    • Sztuczne sieci neuronowe
  • Metody doboru modelu i poprawienia jakości
    • Walidacje
    • Poszukiwanie parametrów
    • Regularyzacja
    • Ensemble

POLITYKA COOKIES:

Korzystamy z plików cookies, by móc jak najlepiej dostosować stronę do Twoich potrzeb oraz wyświetlać Ci przydatne i adekwatnych dla Ciebie reklamy w serwisie i poza nim. Możesz kontrolować ustawienia ciasteczek w swoich ustawieniach swojej przeglądarki. Odwiedzając tę stronę, wyrażasz zgodę na wykorzystywanie przez nas plików cookies.