Szkolenie: Python - uczenie maszynowe - wprowadzenie
Szkolenie Python uczenie maszynowe wprowadzenie to praktyczny kurs, który uczy od podstaw analizy danych, budowy modeli ML, pracy z algorytmami regresji i klasyfikacji oraz przygotowania danych w Pythonie z użyciem Scikit-learn
Szkolenie przygotowuje do samodzielnego rozwiązywania problemów biznesowych z wykorzystaniem algorytmów uczenia maszynowego w języku Python
Szkolenie uczy stosowania narzędzi i bibliotek Python do analizy danych, budowy modeli regresji i klasyfikacji oraz oceny ich skuteczności
Szkolenie rozwija umiejętność przygotowania i przetwarzania danych, wyboru odpowiednich algorytmów oraz interpretacji wyników modeli uczenia maszynowego
Dla kogo?
Specjaliści i analitycy danych, którzy chcą poszerzyć kompetencje o uczenie maszynowe w Pythonie
Programiści oraz osoby techniczne rozpoczynające pracę z analizą danych i algorytmami ML
Pracownicy realizujący zadania związane z przetwarzaniem danych i automatyzacją analiz
Efekty kształcenia
Uczestnik analizuje i przetwarza dane z wykorzystaniem bibliotek Python
Uczestnik projektuje i wdraża modele regresji liniowej i logistycznej
Uczestnik dobiera i stosuje algorytmy klasyfikacji oraz regresji do realnych problemów
Uczestnik ocenia skuteczność modeli za pomocą odpowiednich metryk
Uczestnik przygotowuje dane do modelowania i przeprowadza inżynierię cech
Uczestnik interpretuje wyniki modeli i prezentuje je w kontekście biznesowym
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"
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Techniki poprawy jakości modelu poprzez transformacje danych
Przykłady problemów klasyfikacji spotykanych w praktyce
Model regresji logistycznej
Drzewa decyzyjne
Interpretacja zależności wykrywanych przez modele
Obliczanie prawdopodobieństwa zdarzeń
Przygotowanie surowych danych do modelowania
Eksperymenty z algorytmami
Komunikacja wyników
Praktyczne wady i zalety poszczególnych algorytmów
Rola zrozumienia uwarunkowań biznesowych w pracy z algorytmami
Czego i jak uczyć się dalej?
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…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi