Uczenie maszynowe z wykorzystaniem Python

LICZBA DNI: 3 (24h)

KOD KURSU: ML/MID/PY

POZIOM SZKOLENIA:

# machine-learning

# python

Najbliższy termin:

9 sierpnia 2021

2680 PLN netto + 23% VAT

Jeszcze 8 miejsc w tej cenie.

  • stacjonarne
  • zdalne

STACJONARNE

W CENIE

  • 3 dni pracy z trenerem
  • Materiały szkoleniowe
  • Lunch
  • Certyfikat ukończenia szkolenia

ZDALNE

W CENIE

  • 3 dni pracy z trenerem na żywo online
  • Materiały szkoleniowe
  • Certyfikat ukończenia szkolenia

Czy wiesz, że możesz uzyskać nawet do 100% DOFINANSOWANIA na szkolenie? Napisz do nas »

Oferta dla firm

Dostosuj zakres, czas i miejsce szkolenia do potrzeb Twojego zespołu. Uzyskaj indywidualną wycenę szkolenia dla grupy.

Weź udział w szkoleniu

Termin

Lokalizacja

Cena / os

9

sierpnia

Warszawa,

Kraków,

Łódź,

Wrocław,

Gdańsk,

Poznań,

Zdalne,

2680 PLN netto
+ 23% VAT

Termin

9

sierpnia

Lokalizacja

Warszawa,

Kraków,

Łódź,

Wrocław,

Gdańsk,

Poznań,

Zdalne,

Cena / os

2680 PLNnetto
+ 23% VAT

Powiadom
o kolejnych terminach

O szkoleniu

DLA KOGO?

Początkujący data scientists, 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 znajomość 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 klasyfikator 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

Autor szkolenia:

Norbert Ryciak

Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning). W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów - rozpoznawaniem wydźwięku i analizą składniową. Porzucił karierę naukową na rzecz pracy komercyjnej oraz profesjonalnej pracy dydaktycznej. Prowadzi szkolenia i zajęcia na uczelniach, ale przede wszystkim kieruje Bootcampem Data Science Kodołamacza, na którym kształci przyszłych specjalistów data science.

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.