Uczenie maszynowe w języku Python - warsztat profesjonalisty

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

Czas trwania szkolenia:3 dni (24h)

Kod kursu:ML/MID/PY

Poziom zaawansowania:
ai

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

13 maj
Trwają zapisy na szkolenieOferta specjalna

Trener:

Norbert Ryciak

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

15 lipiec
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

14 październik
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Interesuje Cię szkolenie stacjonarne lub nie odpowiada Ci żaden z dostępnych terminów?

Ikona pytaniaZapytaj o szkolenie

O szkoleniu Uczenie maszynowe w języku Python - warsztat profesjonalisty

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?

  • osób, które uczyły się uczenia maszynowego samodzielnie i chcą uporządkować i pogłebić wiedzę, poprzez uczestnictwo w praktycznych warsztatach z ekspertem
  • osób, które znają teorię uczenia maszynowego, ale chcą zobaczyć jak w praktyce wygląda realizacja projektów wykorzystujących uczenia maszynowe
  • wszystkich osób, które mają jakąś wiedzę z uczenia maszynowego i chcą wejść na wyższy poziom kompetencji w tym obszarze
  • osób pracujących z uczeniem maszynowym z wykorzystaniem innych języków niż Python, ale chcących przekwalifikować się na pracę z Pythonem

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)

Zalety

  • Szkolenie "Uczenie maszynowe w języku Python - warsztat profesjonalisty" ma charakter projektowy - polega na wytworzeniu od A do Z profesjonalnego rozwiązania konkretnego problemu biznesowego z wykorzystaniem uczenia maszynowego
  • Solidne omówienie aspektów inżynierskich, pozwalające na profesjonalną implementację rozwiązań z wykorzystaniem języka Python
  • Szkolenie jest prowadzone przez osoby na co dzień stosujące uczenie maszynowego z użyciem języka Python i mającymi praktyczne doświadczenie w tej dziedzinie
  • Elastyczność programu - rozłożenie akcentów będzie (w miarę możliwości) dostosowane do preferencji grupy

Cele szkolenia

  • Rozwinięcie praktycznych kompetencji poprzez realizację projektu od A do Z - przejście pełnego procesu wykorzysta uczenia maszynowego w praktyce
  • Nauka profesjonalnej implementacji systemu predykycjnego
  • Poznanie ważnych funkcjonalności do pracy z algorytmami uczenia maszynowego w języku Python
  • Poznanie zaawansowanych algorytmów i użytecznych technik uczenia maszynowego i zobaczenie jak efektywnie używać ich w praktyce

Program

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 estymatory
  • Potoki uczenia maszynowego (ang. *machine learning pipelines*) - zasada działania
  • Implementacja podstawowych potoków w `scikit-learn`
  • Implementacja 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

Podobne szkolenia