Szkolenie: Podstawy uczenia maszynowego z R
Szkolenie z podstaw uczenia maszynowego w R przygotowuje do analizy danych, budowy modeli predykcyjnych, regresji i klasyfikacji, wykorzystania popularnych algorytmów ML oraz praktycznego zastosowania narzędzi R w analizie danych
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:3 dni (24h)
Kod kursu:R/ML
Podstawy uczenia maszynowego z R
Cele szkolenia
Szkolenie przygotowuje do samodzielnego stosowania podstawowych technik uczenia maszynowego w środowisku R
Szkolenie uczy budowania, oceny i interpretacji modeli regresyjnych i klasyfikacyjnych na rzeczywistych zbiorach danych
Szkolenie pokazuje, jak wykorzystywać nowoczesne pakiety R do analizy danych i rozwiązywania problemów predykcyjnych
Szkolenie omawia różnice między klasycznym modelowaniem a uczeniem maszynowym oraz zagadnienia overfittingu i tuningu modeli
Dla kogo?
Analityków danych z podstawową znajomością R, którzy chcą rozpocząć pracę z uczeniem maszynowym
Programistów i specjalistów IT zainteresowanych praktycznym wykorzystaniem uczenia maszynowego w analizie danych
Osób pracujących z danymi, które chcą rozwinąć kompetencje w zakresie modelowania predykcyjnego i klasyfikacji
Efekty kształcenia
Uczestnik analizuje dane z wykorzystaniem technik uczenia maszynowego w R
Uczestnik buduje i ocenia modele regresyjne oraz klasyfikacyjne
Uczestnik interpretuje wyniki modeli i wyciąga wnioski z analizy
Uczestnik rozróżnia metody klasyczne i nowoczesne w modelowaniu danych
Uczestnik stosuje narzędzia R do przygotowania i przetwarzania danych
Uczestnik ocenia ryzyko overfittingu i dobiera odpowiednie metody walidacji
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
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
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
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi