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?
- Do osób, które wykorzystują dane w swojej codziennej pracy i chcą poszerzyć swoją wiedzę o zakres obejmujący uczenie maszynowe (ang. machine learning)
- Do programistów i wszystkich osób o profilu technicznym, które chcą rozpocząć przygodę z uczeniem maszynowym
Wymagania
- Szkolenie uczenie maszynowe w Pythonie wymaga podstawowej umiejętności programowania w języku Python lub innym
Zalety
- Zajęcia prowadzone przez osoby stosujące na co dzień uczenie maszynowe z użyciem języka Python/mającymi praktyczne doświadczenie w tej dziedzinie
- Szkolenie machine learning to solidne omówienie działania popularnych algorytmów, zapewniające ich dokładne zrozumienie i świadome użycie
- Ćwiczenia oparte na rzeczywistych danych i praktycznych przykładach
- Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań
- Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką
- Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how
Cele szkolenia
- Zapoznanie z podstawowymi algorytmami uczenia maszynowego
- Opanowanie metodologii i nabycie praktycznych umiejętności rozwiązywania rzeczywistych problemów z wykorzystaniem algorytmów uczenia maszynowego
- Poznanie metod pracy z algorytmami uczenia maszynowego w języku Python
Program
Wprowadzenie do pracy z danymi w języku Python
- Biblioteka do wykonywania obliczeń: Numpy
- Biblioteka do przetwarzania danych tabelarycznych: Pandas
- Biblioteka do wizualizacji danych: Matplotlib
Problem regresji - przewidywanie wartości liczbowych
- Model regresji liniowej
- Metody ewaluacji poprawności modelu
- Metody mierzenia skuteczności modelu
- Poprawianie modelu poprzez transformacje danych
Problem klasyfikacji
- Model regresji logistycznej
- Drzewa decyzyjne
- Interpretacja zależności wykrywanych przez modele
- Wady i zalety poszczególnych algorytmów
Problem segmentacji danych
- Algorytm grupowania K-średnich
- Algorytm grupowania hierarchicznego
Metodologia pracy z algorytmami uczenia maszynowego
- Przygotowanie danych do modelowania
- Schematy oceny skuteczności algorytmów: podział danych, walidacja krzyżowa
- Optymalizacja hiperparametrów modeli
- Problem przeuczenia i metody regularyzacji modeli
- Tworzenie prostych potoków uczenia maszynowego (ang. pipelines)
Podsumowanie i dalsze kierunki rozwoju
- Możliwości i ograniczenia uczenia maszynowego
- Co dalej?