Uczenie maszynowe w języku Python - warsztat profesjonalisty
Szkolenie ma charakter projektowy - polega na wytworzeniu od A do Z profesjonalnego rozwiązania konkretnego problemu biznesowego z wykorzystaniem uczenia maszynowego. Omawiając kolejne etapy projektu, omawiamy również przydatne w danym miejscu aspekty teoretyczne i praktyczne uczenia maszynowego.
2550 PLN+23% VAT (3136 PLN brutto / 1 os.)Czas trwania szkolenia:3 dni (24h)
Kod kursu:ML/MID/PY
Dostępne terminy
Termin:
Trener:
Cena:
2550 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
2550 PLN nettoLokalizacja:
ZdalneUczenie maszynowe w języku Python - warsztat profesjonalisty
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
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
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
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
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…
