Szkolenie: Uczenie maszynowe w języku Python - warsztat profesjonalisty
Szkolenie z uczenia maszynowego w Pythonie to praktyczny warsztat, który uczy budowy profesjonalnych modeli predykcyjnych, analizy danych, inżynierii cech, optymalizacji algorytmów oraz wdrażania rozwiązań ML w środowisku biznesowym
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:3 dni (24h)
Kod kursu:ML/MID/PY
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
2805 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
2805 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
2805 PLN nettoLokalizacja:
ZdalneUczenie maszynowe w języku Python - warsztat profesjonalisty
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania i wdrażania rozwiązań z zakresu uczenia maszynowego w Pythonie na rzeczywistych danych
Szkolenie uczy realizacji pełnego procesu budowy systemu predykcyjnego, od analizy biznesowej po wdrożenie i interpretację wyników
Szkolenie rozwija umiejętność doboru i optymalizacji algorytmów oraz stosowania zaawansowanych technik uczenia maszynowego w praktyce
Szkolenie pokazuje, jak analizować, przetwarzać i selekcjonować dane oraz oceniać skuteczność modeli w kontekście biznesowym
Dla kogo?
Specjaliści IT i analitycy danych z podstawową znajomością Pythona i uczenia maszynowego, chcący rozwinąć praktyczne umiejętności projektowe
Osoby samodzielnie uczące się ML, które chcą uporządkować i pogłębić wiedzę poprzez praktyczne warsztaty z ekspertem
Pracownicy innych języków programowania pragnący przekwalifikować się na pracę z uczeniem maszynowym w Pythonie
Osoby znające teorię ML, które chcą poznać praktyczne aspekty realizacji projektów predykcyjnych
Efekty kształcenia
Uczestnik projektuje i wdraża kompletne procesy uczenia maszynowego w Pythonie
Uczestnik analizuje i przetwarza dane z wykorzystaniem zaawansowanych technik
Uczestnik optymalizuje i ocenia modele predykcyjne pod kątem celów biznesowych
Uczestnik implementuje i testuje algorytmy XGBoost oraz sieci neuronowe
Uczestnik rozwiązuje problemy niezbalansowanych klas i selekcjonuje cechy
Uczestnik dokumentuje i prezentuje wyniki analizy oraz wdrożenia modeli
Wymagania
Szkolenie "Uczenie maszynowe w języku Python - warsztat profesjonalisty"" wymaga podstawowej umiejętności programowania w języku Python oraz podstawowej wiedzy z uczenia maszynowego (modele regresji liniowej oraz logstycznej, drzewo decyzyjne, rozumienie procesu uczenia i testowania modeli)
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
Etap I. Definicja celu biznesowego
Profesjonalna ewaluacja klasyfikatorów: precyzja, czułość, miara F1, krzywa ROC i wskaźnik AUC
Definiowanie i implementacja autorskich metryk
Dobór metryki do celów biznesowych
Etap II. Przygotowywanie danych do modelowania (ang. *feature engineering*)
Kodowanie zmiennych kategorycznych
Obsługa braków danych
Transformacje zmiennych numerycznych
Etap III. Profesjonalna implementacja procesów predykcyjnych z wykorzystaniem `scikit-learn`
Kluczowe konstrukty biblioteki
scikit-learn: transformatory i estymatoryPotoki uczenia maszynowego (ang. machine learning pipelines) - zasada działania
Implementacja podstawowych potoków w
scikit-learnImplementacja złożonych/rozgałęzionych procesów predykcyjnych
Obiektowa implementacja komponentów do procesów predykcyjnych
Optymalizacja konfiguracji potoków
Eksportowania gotowego do użycia procesu predykcyjnego
Etap IV. Wykorzystanie zaawansowanych algorytmów 1: XGBoost
Czym jest boosting
Mechanizm działania i uczenia algorytmu XGBoost
Praktyczna optymalizacja hiperparametrów algorytmu
Etap V. Wykorzystanie zaawansowanych algorytmów 2: sieci neuronowe
Mechanizm działania neuronu, funkcje aktywacji
Perceptron wielowarstwowy
Mechanizm uczenia sieci neuronowej
Konfiguracja i optymalizacja procesu uczenia
Wykorzystywanie sieci neuronowych jako algorytmy predykcyjne
Etap VI. Poprawa rozwiązania poprzez uwzględnienie niezbalansowania klas
Problem niezbalansowanych klas - opis zjawiska i praktyczne konsekwencje
Uwzględnienie problemu w procesie uczenia modeli - ważenie funkcji celu
Techniki repróbkowania obserwacji poprawiające jakość modeli w sytuacji niezbalansowanych klas
Augmentacja danych (sztuczne powiększanie zbioru uczącego)
Etap VII. Analiza i interpretacja rozwiązania, udoskonalanie rozwiązania poprzez selekcję cech
Ocena ważności cech na podstawie algorytmów liniowych i drzewiastych
Ocena ważności cech dla modeli typu black-box
Selekcja na podstawie ważności cech, selekcja współbieżna z uczeniem, selekcja krokowa
Filtrowanie zmiennych
Autorem szkolenia jest 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…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
