Uczenie maszynowe z wykorzystaniem Python

LICZBA DNI: 3 (24h)

KOD KURSU: ML/MID/PY

Powiadom
o kolejnych terminach

# machine-learning

# python

Autor szkolenia:
Norbert Ryciak

O szkoleniu

DLA KOGO?

Początkujący data scientiści, analitycy danych, statystycy, programiści oraz specjaliści ds. baz danych zainteresowani poszerzeniem własnych kompetencji w zakresie uczenia maszynowego

Każdy, kto zna podstawy uczenia maszynowego na poziomie programu szkolenia Wprowadzenie do uczenia maszynowego z wykorzystaniem Python

WYMAGANIA

Od uczestników szkolenia wymagana jest podstawowa znajomość języka Python oraz znajmość podstaw uczenia maszynowego na poziomie szkolenia Wprowadzenie do uczenia maszynowego z wykorzystaniem Python.

ZALETY

Warsztatowy charakter zajęć

Dokładne omówienie algorytmów i ich własności

Duża dawka praktycznej wiedzy i umiejętności, przydatnych w realnych projektach

Cele szkolenia

Pogłębienie wiedzy z zakresu uczenia maszynowego

Zapoznanie z użytecznymi funkcjonalnościami biblioteki scikit-learn związanymi z omawianymi algorytmami

Rozwijanie praktycznych umiejętności pracy z danymi dobrze odzwierciedlającymi problemy spotykane w rzeczywistości

Program

  • Normalizacja rozkładu zmiennych objaśniających
  • Transformacje zmiennej celu
  • Problem współliniowości atrybutów
  • Naiwny klayfikator Bayesa
  • Maszyna wektorów nośnych (SVM)
    • - wersja liniowa oraz kernel trick
    • - schematy zastosowania w klasyfikacji wieloklasowej
  • Metoda najbliższych sąsiadów (KNN)
    • - sposoby mierzenia podobieństwa między obserwacjami
  • Komitety proste
  • Lasy losowe
  • Bagging
  • Boosting
  • Precyzja, czułość, specyficznosć
  • Miara F1
  • Krzywa ROC i wskaźnik AUC
  • Dobór miar adekwatnych do problemów biznesowych
  • Ocena ważności cech w algorytmach liniowych i drzewiastych
  • Selekcje współbieżna z uczeniem
  • Selekcja na podstawie ważności cech
  • Selekcja krokowa
  • Filtrowanie zmiennych
  • Zmniejszanie wymiarowości danych
  • Zastosowanie w procesie predykcyjnym (regresji lub klasyfikacji)
  • Zastosowanie w analizie zależności w danych
  • Zastosowanie w wizualizacji
  • Proces uczenia sieci neuronowych
  • Wykorzystanie sieci neuronowych jako algorytmy predykcyjne
  • obserwacje odstające (outliers)
  • obsługa braków danych (missing values)
  • obsługa zmiennych kategorycznych
  • dyskretyzacja zmiennych ciągłych
  • Porównanie metod
  • Przykład budowy modelu od A do Z

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.