Python Machine Learning - Avendi

Python Machine Learning

Baza wiedzy
Programowanie: VBASQL ServerPython

Szkolenia Machine Learning w języku Python

Ponad 100 ćwiczeń ściśle związanych z omawianymi tematami

24 godziny zegarowe pracy z trenerem

Gwarancja jasnego przekazania wiedzy

Python zyskuje coraz większą popularność w obszarze analizy danych i uczenia maszynowego. Posiada on rozbudowaną bibliotekę scikit learn zawierającą algorytmy, za pomocą których można tworzyć modele klasyfikacji i regresji np. regresja logistyczna, drzewa decyzyjne.

Uczenie maszynowe to sztuczna inteligencja (Artificial Intelligence, AI), która zapewnia systemom możliwość automatycznego i samodzielnego uczenia się na podstawie danych bez konieczności programowania.

Proces uczenia się rozpoczyna się od obserwacji lub danych, takich jak przykłady, bezpośrednie doświadczenie lub instrukcje, aby szukać wzorców w danych i podejmować lepsze decyzje w przyszłości na podstawie dostarczonych przez nas przykładów.

Firmy wykorzystują tę technologię do rozwoju swojej działalności, podejmowania decyzji, zwiększenia sprzedaży i poprawy swoich produktów.

Zastosowania uczenia maszynowego to np. rozmowa z asystentem głosowym, analiza zachowania klienta w sieci i prezentowanie mu odpowiedniego produktu, zapobieganie oszustwom przy użyciu kart kredytowych, filtrowanie spamu w poczcie e-mail.

Wybierz termin szkolenia

Jeżeli interesuje Cię szkolenie, ale żaden z terminów nie jest dla Ciebie odpowiedni, koniecznie napisz lub zadzwoń do nas.

W każdym z terminów, możesz wziąć udział w szkoleniu stacjonarnym lub zdalnym.

TytułMiastoTerminCenaIlość dniDostępnośćRezerwacja
Python Machine Learning Opis kursu Warszawa08-10.02.2021 2 495,00  netto
3 068,85  brutto
3Brak miejsc - zapisy na listę rezerwową Rezerwuj
Warszawa10-12.03.2021 2 495,00  netto
3 068,85  brutto
34 miejsca Rezerwuj
Warszawa12-14.04.2021 2 495,00  netto
3 068,85  brutto
35 miejsc Rezerwuj
Szybki kontakt




Korzyści z kursu Uczenie Maszynowe

Szkolenie realizujemy w formie praktycznych warsztatów. Na kursie wykorzystujemy wyłącznie prawdziwe dane, abyś mógł przygotować modele, które odzwierciedlają prawdziwe zależności pomiędzy informacjami np. wiekiem i stanem majątku klienta. Kurs podzielony jest na bloki, w trakcie których prezenutjemy teorię, a następnie rozwiązujesz ćwiczenia.

Kurs nie wymaga od Ciebie umiejętność rozumienia skomplikowanych matematycznych wzorów i statystycznych pojęć. Przygotowany został tak, abyś mógł zrozumieć istotę uczenia maszynowego i stworzyć modele bez konieczności wgłębiania się w pojęcia statystyczne.

Po szkoleniu będziesz potrafił:

  • pozyskać i przygotować różne rodzaje danych do zbudowania modelu
  • sprawnie używać narzędzi dostępnych w ramach biblioteki Anaconda – edytor Jupyter Notebook i Spyder
  • przetwarzać dane za pomocą bibliotek Pandas, Numpy i Matplotlib – w trakcie kursu jest krótkie przypomnienie informacji dotyczących tych bibliotek
  • stworzyć model przewidujący, czy klient banku spłaci przydzielony kredyt. Jeśli mamy dane z przeszłości o klientach i informacje, którzy z nich nie spłacili kredytu, możemy próbować szacować ryzyko braku spłaty dla nowych klientów.
  • stworzyć model przewidujący, czy klient kupi określoną usługę. Pozwala to oferować dany produkt lub usługę tylko wybranym klientom, którzy rokują największe szanse na skorzystanie z oferty. Tego typu modele są szczególnie przydatne, w obszarach, w których przedstawienie oferty jest kosztowne gdyż wymaga np. przeprowadzenie rozmowy telefonicznej.
  • stworzyć model szacujący ceny nieruchomości na podstawie jej rozmiaru, lokalizacji, stanu itp. Mając dane z innych transakcji algorytm może dobrać podobne nieruchomości i przewidzieć faktyczną cenę transakcyjną dla nowej nieruchomości.

Uczenie maszynowe w języku Python

Zakres materiału

Dzień I

  1. Krótkie powtórzenie -biblioteki Numpy i Pandas
  2. Narzędzia i konfiguracja środowiska pracy w Pythonie
  3. Opis przykładowego zbioru danych
    1. tendencje centralne
    2. dyspersja
    3. korelacja i przyczynowość
    4. paradoks Simpsona
  4. Podstawy statystyki – prawdopodobieństwo
    1. zależność i niezależność
    2. prawdopodobieństwo warunkowe
    3. twierdzenie Bayesa
    4. zmienne losowe
    5. rozkład normalny
    6. centralne twierdzenie graniczne
  5. Hipotezy i wnioski
    1. sprawdzanie hipotez
    2. przedziały ufności
    3. hakowanie wartości p
    4. metoda gradientu prostego
    5. szacowanie gradientu
    6. korzystanie z gradientu
    7. dobór właściwego rozmiaru kroku
    8. stochastyczna metoda gradientu prostego
  6. Wprowadzenie do uczenia maszynowego
    1. podstawowe pojęcia związane z uczeniem maszynowym
    2. obszary, którymi zajmuje się machine learning
    3. problemy, które można rozwiązać

Dzień II

  1. Podział uczenia maszynowego
    1. nadzorowane (supervised) – klasyfikacja i regresja
    2. nienadzorowane (unsupervised) – klasteryzacja i reguły asocjacyjne
    3. półnadzorowane (semi-supervised)
    4. przez wzmacnianie (reinforcement learning)
  2. Pozyskiwanie i przygotowanie danych do budowy modelu
  3. Rodzaje danych wykorzystywanych w machine learning
    1. dane uporządkowane
    2. dane nieuporządkowane – wykorzystanie plików cookies i maili w analizie
  4. Projekt analityczny – określanie celu biznesowego (co chcemy przewidywać)
  5. Eksploracja i przygotowanie danych do analizy
    1. przygotowanie obiektu dataframe
    2. analiza typów danych
    3. uzupełnienie braków w danych
    4. przeskalowanie danych
    5. redukcja liczby wymiarów
    6. wyznaczenie podstawowych statystyk i korelacji zmiennych
    7. wyświetlenie rozkładu zmiennych
    8. standaryzacja danych – StandardScaler
    9. ekstrakcja i selekcja cech
    10. metody wizualizacji danych – biblioteki Matplotlib i Plotly
  6. Podział danych na zbiór treningowy, walidacyjny i testowy
  7. Metody działania algorytmów

Dzień III

  1. Klasyfikacja binarna
    1. model przewidujący, czy klient kupi kartę kredytową
  2. Klasyfikacja wieloklasowa
    1. analiza tekstu – budowa klasyfikatora w języku Python do analizy opinii klientów z booking.com (klasy: pozytywna, negatywna, neutralna)
    2. klasyfikacja – rozpoznawanie cyfr
  3. Regresja liniowa
    1. równanie normalne
    2. algorytm spadku gradientowego
    3. stochastyczny spadek wzdłuż gradientu
    4. eliminacja wsteczna
    5. szacowanie maksymalnego prawdopodobieństwa
    6. analiza parametrów mieszkania (cena, metraż, lokalizacja) w portalu gratka.pl i przewidywanie ceny sprzedaży mieszkań w Gdańsku
  4. Regresja wielomianowa
    1. model najmniejszych kwadratów
  5. Regresja logistyczna
    1. przewidywanie, czy klient założy konto VIP, czy dokupi ubezpieczenie do konta
  6. Drzewa decyzyjne
    1. gini, entropia
    2. zyski informacyjne
  7. Lasy losowe
  8. Maszyna wektorów nośnych (SVM – Support Vector Machine)
  9. Naiwny klasyfikator bayesowski – filtr antyspamowy
  10. Algorytm k najbliższych sąsiadów – przewidywanie na kogo oddam głos w wyborach
  11. Metody doboru modeli i poprawienia jakości ich przewidywań
    1. niedouczenie i przeuczenie modeli
    2. walidacja krzyżowa
    3. przeszukiwanie siatki
  12. Wprowadzenie do uczenia głębokiego (deep learning, sieci neuronowe)
  13. Inne popularne biblioteki języka Python do tworzenia modeli
    1. tensorFlow
    2. pakiet Keras
    3. pyTorch
    4. statsmodels

Trener – opiekun kursu

  • Rafał Lelusz trener

    Zaangażowany, pełen entuzjazmu, z poczuciem humoru. Fascynat języka Python, machine learning i programowania, który posiada praktyczne doświadczenie w obszarze ML.
    Taki właśnie jest Rafał, który będzie pracował z Tobą przez 3 dni szkolenia.

    Kontakt do trenera otrzymasz od razu po zapisaniu się na kurs, abyś mógł z nim porozmawiać, jeśli będziesz chciał przygotować się do szkolenia.