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.

Sprawdź również:

Podstawy analizy danych w Pythonie

Zaawansowana analiza danych w języku Python

 

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 (cena promocyjna)

Cena

2600 zł netto

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.

Sprawdź również:

Podstawy analizy danych w Pythonie

Zaawansowana analiza danych w języku Python

 

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 - cena regularna

2600 zł netto - cena promocyjna

Lokalizacja

Online Live

Termin

Promocja!

10-12 kwietnia 2024

Kontakt

Sabina Sikorska-Suwała

Ekspert ds. Projektów Szkoleniowych

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