Uczenie maszynowe w języku Python - wprowadzenie
Czas trwania szkolenia:3 dni (24h)
Kod kursu:PYTHON/ML
Poziom zaawansowania:
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?