Podstawy uczenia maszynowego z R

3350 PLN+23% VAT (4120 PLN brutto / 1 os.)

Czas trwania szkolenia:3 dni (24h)

Kod kursu:R/ML

Poziom zaawansowania:
data

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

26 luty
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

21 maj
Trwają zapisy na szkolenie

Trener:

Piotr Szulc

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

2 wrzesień
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

18 listopad
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Interesuje Cię szkolenie stacjonarne lub nie odpowiada Ci żaden z dostępnych terminów?

Ikona pytaniaZapytaj o szkolenie

O szkoleniu Podstawy uczenia maszynowego z R

W cenie otrzymasz:

  • Materiały szkoleniowe
  • Certyfikat ukończenia szkolenia
  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Dla kogo?

  • Analityków danych, którzy chcą wejść do świata uczenia maszynowego (ang. machine learning)
  • Programistów, którzy chcą rozpocząć przygodę z uczeniem maszynowym

Wymagania

  • Podstawowa umiejętność programowania w języku R, w szczególności operacji na danych (pakiet dplyr)
  • Nie jest wymagane posiadanie wiedzy z zakresu uczenia maszynowego i statystyki

Zalety

  • Poznanie prężnie rozwijającej się dziedziny predykcyjnej analizy danych, która staje się standardem w obecnych realiach powodzi danych
  • Zrozumienie użycia technik i narzędzi uczenia maszynowego w środowisku R

Cele szkolenia

  • Zapoznanie z podstawami uczenia maszynowego w języku R
  • Przedstawienie najnowszych i najlepiej przystosowanych do uczenia maszynowego pakietów

Program

Modelowanie

  • Na czym polega modelowanie i po co to robić?
  • Prognozowanie, wyjaśnianie, przyczynowość

Regresja liniowa i problemy regresyjne

  • Interpretacja współczynników i podsumowanie modelu
  • Jak wykorzystać reszty?
  • Zależności nieliniowe i interakcje
  • Współliniowość

Regresja logistyczna i problemy klasyfikacyjne

  • Interpretacja współczynników i podsumowanie modelu
  • Jak podsumować model?
  • Macierz błędów
  • Czułość i swoistość, precyzja i recall
  • Pole pod krzywą ROC (AUC)

Czym różni się uczenie maszynowe od klasycznego modelowania?

  • Podział na zbiór treningowy i testowy
  • Podejście parametrycznie i nieparametryczne
  • Nadmierne dopasowanie (overfitting)
  • Poszukiwanie hiperparametrów (tuning)

Algorytmy uczenia maszynowego

  • Naiwny klasyfikator bayesowski
  • Metoda k najbliższych sąsiadów
  • Drzewo decyzyjne
  • Las losowy

Podobne szkolenia