Uczenie maszynowe w języku Python - wprowadzenie

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

Czas trwania szkolenia:3 dni (24h)

Kod kursu:PYTHON/ML

Poziom zaawansowania:
ai

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

15 kwiecień
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

22 lipiec
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3350 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Termin:

18 listopad
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 - wprowadzenie

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 wykorzystują dane w swojej pracy i chcą poszerzyć swoje kompetencje o wiedzę z obszaru uczenia maszynowego (ang. machine learning)
  • Programistów i wszystkich osób o profilu technicznym, które chcą rozpocząć pracę z uczeniem maszynowym

Wymagania

  • Szkolenie "Uczenie maszynowe w języku Python - wprowadzenie" wymaga podstawowej umiejętności programowania w języku Python. Osoby bez bez znajomości Pythona, mogą uzupełnić swoją wiedzę na naszym szkoleniu "Python: Jednodniowe wprowadzenie do składni języka i środowiska dla Data Scientists"

Zalety

  • Szkolenie "Uczenie maszynowe w języku Python - wprowadzenie" jest prowadzone przez osoby na co dzień stosujące uczenie maszynowe z użyciem języka Python i mające duże praktyczne doświadczenie w tej dziedzinie
  • Solidne omówienie mechanizmów działania algorytmów, zapewniające dokładne zrozumienie i efektywne ich wykorzystywanie
  • Ćwiczenia na realnych problemach, poznanie procesu wykorzystywania uczenia maszynowego w praktyce, a w efekcie zdobycie praktycznych kompetencji, pozwalających na zastosowanie uczenia maszynowego w pracy
  • Dogłębne zrozumienie fundamentów dziedziny uczenia maszynowego (zarówno teorii algorytmów, jak i aspektów praktycznych), pozwalajace na efektywne, samodzielne rozwijanie tej wiedzy w przyszłości
  • Poznanie wiodącej biblioteki do uczenia maszynowego - Scikit-learn

Cele szkolenia

  • Zapoznanie się z podstawowymi algorytmami uczenia maszynowego
  • Poznanie metodologii i nabycie praktycznych umiejętności rozwiązywania rzeczywistych problemów z wykorzystaniem algorytmów uczenia maszynowego
  • Opanowanie narzędzi języka Python do pracy z algorytmami uczenia maszynowego

Program

Krótkie wprowadzenie do przetwarzania danych w języku Python

  • Numpy - biblioteka do wykonywania obliczeń:
  • Pandas - przetwarzanie danych tabelarycznych:
  • Matplotlib - wizualizacja danych

Wprowadzenie do dziedziny uczenia maszynowego

  • Definicja uczenia maszynowego, podstawowe pojęcia
  • Uczenie maszynowe a sztuczna inteligencja, modele statystyczne i uczenie głębokie
  • Jakie problemy potrafią rozwiązywać algorytmy uczenia maszynowego, obszary zastosowań
  • Rodzaje algorytmów uczenia maszynowego
  • Jak dobrać algorytm do zadania?

Praca z algorytmami uczenia maszynowego w praktyce

  • Metodologia rozwiązywania problemów biznesowych z wykorzystaniem uczenia maszynowego
  • Przygotowanie danych do modelowania - inżynieria cech (ang. *feature engineering*)
  • Schematy oceny skuteczności algorytmów: dane treningowe i testowe, walidacja krzyżowa
  • Optymalizacja hiperparametrów algorytmów
  • Zjawisko przeuczenia (ang. *overfitting*) i metody regularyzacji modeli
  • Podstawy implementacji profesjonalnych potoków uczenia maszynowego (ang. *machine learning pipelines*)

Problem regresji - predykcja wartości liczbowych

  • Model regresji liniowej
  • Interpretacja działania modelu
  • Metody ewaluacji poprawności modelu
  • Sposoby mierzenia skuteczności modelu, komunikacja wyników
  • Techniki poprawy jakości modelu poprzez transformacje danych

Problem klasyfikacji - predykcja kategorii

  • Przykłady problemów klasyfikacji spotykanych w praktyce
  • Model regresji logistycznej
  • Drzewa decyzyjne
  • Interpretacja zależności wykrywanych przez modele
  • Obliczanie prawdopodobieństwa zdarzeń

Realizacja praktycznego projektu - od surowych danych do prezentacji skuteczności rozwiązania

  • Przygotowanie surowych danych do modelowania
  • Eksperymenty z algorytmami
  • Komunikacja wyników

Podsumowanie szkolenia

  • Praktyczne wady i zalety poszczególnych algorytmów
  • Rola zrozumienia uwarunkowań biznesowych w pracy z algorytmami
  • Czego i jak uczyć się dalej?

To szkolenie jest częścią ścieżki

Podobne szkolenia