Podstawy uczenia maszynowego z R

Czas trwania szkolenia:3 dni (24h)

Kod kursu:R/ML

Poziom zaawansowania:
data

Szkolenie na zamówienie

Szkolenie dostosowane do potrzeb Twojego zespołu. Dostępne wyłącznie na zamówienie.

  • Dostosowany program
  • Indywidualna wycena
  • Dowolny termin
Icon with laptop

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

Wymagania

  • Szkolenie wymaga podstawowej umiejętności programowania w języku R, w szczególności operacji na danych (pakiet dplyr)
  • Szkolenie NIE wymaga wstępnej teoretycznej wiedzy z uczenia maszynowego i statystyki

Zalety

  • Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań
  • Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką
  • Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how

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
box icon

Autorem szkolenia jest Piotr Szulc

Ukończył Wydział Matematyki Politechniki Wrocławskiej, uzyskując stopień doktora. Przez wiele lat współpracował z Uniwersytetem Stanforda i Uniwersytetem Wiedeńskim, prezentował referaty na kilkunastu krajowych i zagranicznych konferencjach naukowych, między innymi reprezentował Polskę na 18th European Young Statisticians Meeting. Zajmował się zastosowaniami modeli statystycznych w genetyce, w problemie lokalizacji genów. Obecnie współpracuje z wrocławskimi firmami windykacyjnymi, prowadzi szkolenia…

Więcej o mnie »

Podobne szkolenia