Uczenie maszynowe w języku Python - poziom średnio zaawansowany

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

Czas trwania szkolenia:3 dni (24h)

Kod kursu:ML/MID/PY

Poziom zaawansowania:
machine-learningpython

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

7 grudnia
Trwają zapisy na szkolenieOferta specjalna

Trener:

Trainer image
Norbert Ryciak

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne

Termin:

3 kwietnia
Trwają zapisy na szkolenie
-

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Lokalizacja:

ZdalneWarszawaŁódźPoznańKrakówWrocławGdańskKatowiceBydgoszczGdynia

Nie odpowiada Ci żaden z dostępnych terminów?

Zapytaj o szkolenie

O szkoleniu Uczenie maszynowe w języku Python - poziom średnio zaawansowany

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?

  • 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
  • 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

  • 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

Model regresji liniowej - aspekty ponadpodstawowe

  • Normalizacja rozkładu zmiennych objaśniających
  • Transformacje zmiennej celu
  • Problem współliniowości atrybutów

Algorytmy klasyfikacji

  • Naiwny klasyfikator Bayesa
  • Maszyna wektorów nośnych (SVM)
  • Metoda najbliższych sąsiadów (KNN)

Metody łączenia algorytmów klasyfikacji i regresji - ensembling

  • Komitety proste
  • Lasy losowe
  • Bagging
  • Boosting

Specjalistyczna ewaluacja klasyfikatorów

  • Precyzja, czułość, specyficznosć
  • Miara F1
  • Krzywa ROC i wskaźnik AUC
  • Dobór miar adekwatnych do problemów biznesowych

Ocena ważności i algorytmy selekcji cech

  • Ocena ważności cech w algorytmach liniowych i drzewiastych
  • Selekcje współbieżna z uczeniem
  • Selekcja na podstawie ważności cech
  • Selekcja krokowa
  • Filtrowanie zmiennych

Analiza Składowych Głównych (PCA)

  • Zmniejszanie wymiarowości danych
  • Zastosowanie w procesie predykcyjnym (regresji lub klasyfikacji)
  • Zastosowanie w analizie zależności w danych
  • Zastosowanie w wizualizacji

Sieci neuronowe

  • Proces uczenia sieci neuronowych
  • Wykorzystanie sieci neuronowych jako algorytmy predykcyjne

Przygotowywanie danych do modelowania - feature engineering

  • Obserwacje odstające (outliers)
  • Obsługa braków danych (missing values)
  • Obsługa zmiennych kategorycznych
  • Dyskretyzacja zmiennych ciągłych

Podsumowanie

  • Porównanie metod
  • Przykład budowy modelu od A do Z

To szkolenie jest częścią ścieżki

Podobne szkolenia