Uczenie maszynowe z wykorzystaniem R
Czas trwania szkolenia:4 dni (32h)
Kod kursu:ML/MID/R
Poziom zaawansowania:
Dostępne terminy
Termin:
Termin:
Trener:
Termin:
Trener:
Termin:
Trener:
Interesuje Cię szkolenie stacjonarne lub nie odpowiada Ci żaden z dostępnych terminów?
Zapytaj o szkolenieO szkoleniu Uczenie maszynowe z wykorzystaniem R
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?
- Analityków danych, statystyków oraz programistów
Wymagania
- Podstawowa wiedza w zakresie uczenia maszynowego (np. szkolenie „Podstawy uczenia maszynowego z R”)
- Podstawowa umiejętność programowania w R (np. szkolenie „Podstawy programowania w R”)
Zalety
- Rozwiązywanie biznesowych zagadnień
- Praca z danymi pochodzącymi z rzeczywistych problemów
- Wyrabianie odpowiedniej intuicji niezbędnej w procesie budowy kompletnego modelu
Cele szkolenia
- Ugruntowanie wiedzy z zakresu uczenia maszynowego w R
- Rozszerzenie wiedzy o modele oraz narzędzia stanowiące kompletny warsztat pracy specjalisty uczenia maszynowego
Program
Wstęp
- Omówienie tematyki szkolenia w kontekście obecnych trendów w uczeniu maszynowym
- Powtórzenie podstawowych metod, narzędzi i miar wykorzystywanych w uczeniu maszynowym
Regresja liniowa - tematy zaawansowane
Kryteria wyboru modelu
- Regresja grzbietowa
- Lasso
Uogólnione modele addytywne (GAM)
- Funkcje bazowe
- Smoothing splines
Zastosowanie w klasyfikacji i regresji
- Porównanie GAM z modelami opartymi na drzewach
Problemy klasyfikacyjne - tematy zaawansowane
- Niezrównoważone klasy
- Kalibracja prawdopodobieństw
Optymalizacja budowy modelu przy pomocy zbioru pakietów tidymodels
- Zastosowanie w klasyfikacji i regresji
- Porównywanie modeli
- Techniki wyboru hiperparametrów
- Imputacja braków danych, transformacje zmiennych
Extreme Gradient Boosting
- Czym jest boosting, porównanie z lasem losowym
- Zastosowanie w klasyfikacji i regresji
Sieci neuronowe
- Sieć neuronowa jako uogólnienie regresji
- Perceptron, neurony, warstwy: wejściowa, wyjściowa, ukryte
- Funkcja aktywacji, batch, epoka, współczynnik uczenia
- Zastosowanie w klasyfikacji i regresji
PCA
- Komponenty, ładunki, scores
- Wybór liczby składowych, kryterium Kaisera, wykres osypiska
- Rotacja
- Zastosowanie w wizualizacji
- Zastosowanie w redukcji wymiaru
- Zastosowanie w regresji (PCR)
Interpretowalne uczenie maszynowe (XAI)
Ważność zmiennych
Partial Dependence Plot
Shapley Additive Explanations
Analiza skupień
- Metoda k-średnich
- Jak wybrać k?
- Grupowanie hierarchiczne
Podsumowanie
- Porównanie metod
- Granica decyzyjna
- Jak ulepszyć istniejący model?
- Przykład budowy modelu od A do Z
Autorem szkolenia jest Piotr Szulc
Ukończył Wydział Matematyki Politechniki Wrocławskiej, uzyskując stopień doktora. Przez wiele lat współpracował z Uniwersytetem Stanforda i Uniwersytetem Wiedeńskim, prezentował referaty na kilkunastu krajowych i zagranicznych konferencjach naukowych, między innymi reprezentował Polskę na 18th European Young Statisticians Meeting. Zajmował się zastosowaniami modeli statystycznych w genetyce, w problemie lokalizacji genów. Obecnie współpracuje z wrocławskimi firmami windykacyjnymi, prowadzi szkolenia…
Więcej o mnie »
