Wprowadzenie do uczenia maszynowego – EY Academy of Business

Wprowadzenie do uczenia maszynowego

Szkolenie przeznaczone jest dla osób chcących poznać podstawy uczenia maszynowego – machine learning (ML). Omawiane zagadnienia przeplatane są ćwiczeniami, w których kursanci implementują poznane metody ML przy użyciu środowiska scikit-learn.

Szkolenie przeznaczone jest dla osób chcących poznać podstawy uczenia maszynowego – machine learning (ML).

Dzięki udziałowi w szkoleniu uczestnicy:

  • Poznają podstawy uczenia maszynowego – machine learning (ML).
  • Nauczą się implementować poznane metody ML przy użyciu środowiska scikit-learn.

Oczekiwana wiedza wstępna:

Podstawowa znajomość statystyki, języka Python i środowiska PyCharm oraz pakietów NumPy, pandas oraz Matplotlib.

Podstawy ML

  • Definicja ML
  • ML a sztuczna inteligencja
  • Obszary zastosowania ML
  • Kompetencje w ML
  • Cechy/instancje/etykiety/zmienna predykowana
  • Klasyfikacja, regresja, klasteryzacja
  • Rodzaje ML
  • Trening, predykcja, ewaluacja
  • Podział na zbiór treningowy i testowy
  • Regresja liniowa
  • Regresja logistyczna
  • Algorytm a model
  • Spojrzenie procesowe na ML
  • Biblioteki do ML

Wprowadzenie praktyczne

  • Przegląd podstawowej funkcjonalności środowiska PyCharm
  • Podstawy pakietu NumPy
  • Podstawy pakietu pandas
  • Podstawy pakietu Matplotlib
  • „Hello world” ML, czyli klasyfikacja irysów

Przygotowanie danych

  • Problemy z danymi
  • Podstawy eksploracji i wizualizacji danych
  • Rodzaje cech
  • Kodowanie cech
  • Standaryzacja i skalowanie cech
  • Reguła 3 sigm
  • Braki w danych
  • Selekcja cech/redukcja wymiarowości

Wybrane zagadnienia ML

  • Ocena jakości modelu
  • Problem przeuczenia (overfitting) i niedouczenia (underfitting)
  • Losowość i odtwarzalność w ML
  • Kroswalidacja
  • Parametry a hiperparametry
  • Optymalizacja hiperparametrów

Klasyczne algorytmy ML

  • Taksonomia algorytmów ML
  • Algorytm K najbliższych sąsiadów
  • Drzewa decyzyjne
  • Zespoły modeli (ensembling)
  • Lasy losowe
  • Klasyfikacja wieloklasowa i wieloetykietowa
  • Klasteryzacja: algorytm k-średnich

Podstawy sztucznych sieci neuronowych

  • Motywacja i inspiracja biologiczna
  • Model neuronu
  • Funkcje aktywacji
  • Perceptron wielowarstwowy – architektura
  • Perceptron wielowarstwowy – działanie
  • Perceptron wielowarstwowy – uczenie (propagacja wsteczna)
  • Kodowanie obrazu
  • Uczenie batchowe
  • Rodzaje sieci neuronowych
  • Interpretowalność modelu
  • Dalsze kierunki kształcenia
  • Podsumowanie szkolenia: pytania/komentarze/dyskusja

Stanisław Kaźmierczak - asystent i doktorant Politechniki Warszawskiej w obszarze uczenia maszynowego/data science. Prowadzi zajęcia i szkolenia z obszaru analizy danych, sieci neuronowych, głębokiego uczenia oraz szeroko rozumianej sztucznej inteligencji.

Wprowadzenie do uczenia maszynowego

Szkolenie przeznaczone jest dla osób chcących poznać podstawy uczenia maszynowego – machine learning (ML). Omawiane zagadnienia przeplatane są ćwiczeniami, w których kursanci implementują poznane metody ML przy użyciu środowiska scikit-learn.

Dla kogo?

Szkolenie przeznaczone jest dla osób chcących poznać podstawy uczenia maszynowego – machine learning (ML).

Cele i korzyści

Dzięki udziałowi w szkoleniu uczestnicy:

  • Poznają podstawy uczenia maszynowego – machine learning (ML).
  • Nauczą się implementować poznane metody ML przy użyciu środowiska scikit-learn.

Oczekiwana wiedza wstępna:

Podstawowa znajomość statystyki, języka Python i środowiska PyCharm oraz pakietów NumPy, pandas oraz Matplotlib.

Program

Podstawy ML

  • Definicja ML
  • ML a sztuczna inteligencja
  • Obszary zastosowania ML
  • Kompetencje w ML
  • Cechy/instancje/etykiety/zmienna predykowana
  • Klasyfikacja, regresja, klasteryzacja
  • Rodzaje ML
  • Trening, predykcja, ewaluacja
  • Podział na zbiór treningowy i testowy
  • Regresja liniowa
  • Regresja logistyczna
  • Algorytm a model
  • Spojrzenie procesowe na ML
  • Biblioteki do ML

Wprowadzenie praktyczne

  • Przegląd podstawowej funkcjonalności środowiska PyCharm
  • Podstawy pakietu NumPy
  • Podstawy pakietu pandas
  • Podstawy pakietu Matplotlib
  • „Hello world” ML, czyli klasyfikacja irysów

Przygotowanie danych

  • Problemy z danymi
  • Podstawy eksploracji i wizualizacji danych
  • Rodzaje cech
  • Kodowanie cech
  • Standaryzacja i skalowanie cech
  • Reguła 3 sigm
  • Braki w danych
  • Selekcja cech/redukcja wymiarowości

Wybrane zagadnienia ML

  • Ocena jakości modelu
  • Problem przeuczenia (overfitting) i niedouczenia (underfitting)
  • Losowość i odtwarzalność w ML
  • Kroswalidacja
  • Parametry a hiperparametry
  • Optymalizacja hiperparametrów

Klasyczne algorytmy ML

  • Taksonomia algorytmów ML
  • Algorytm K najbliższych sąsiadów
  • Drzewa decyzyjne
  • Zespoły modeli (ensembling)
  • Lasy losowe
  • Klasyfikacja wieloklasowa i wieloetykietowa
  • Klasteryzacja: algorytm k-średnich

Podstawy sztucznych sieci neuronowych

  • Motywacja i inspiracja biologiczna
  • Model neuronu
  • Funkcje aktywacji
  • Perceptron wielowarstwowy – architektura
  • Perceptron wielowarstwowy – działanie
  • Perceptron wielowarstwowy – uczenie (propagacja wsteczna)
  • Kodowanie obrazu
  • Uczenie batchowe
  • Rodzaje sieci neuronowych
  • Interpretowalność modelu
  • Dalsze kierunki kształcenia
  • Podsumowanie szkolenia: pytania/komentarze/dyskusja

Cena

3400 zł netto

Lokalizacja

Online

Termin

26-28 września 2022

Kontakt

Sabina Sikorska-Suwała

Ekspert ds. szkoleń z obszaru IT oraz Cybersecurity

  • +48 572 002 720
  • Sabina.Sikorska-Suwala@pl.ey.com