Python Machine Learning
Python Machine Learning
Szkolenia Machine Learning w języku Python
- 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.
| Tytuł | Miasto | Termin | Cena | Ilość dni | Dostępność | Rezerwacja |
|---|---|---|---|---|---|---|
| Python Machine Learning Opis kursu | Warszawa | 11-12.01.2021 | 990,00 zł netto 1 217,70 zł brutto | 2 | 4 miejsca | Rezerwuj |
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:
- 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
- Czym zajmuje się ML i co oznacza ten termin i jakie problemy pozwala rozwiązać.
- Pojęcia uczenie nadzorowane i nienadzorowane, zbiór treningowy i testowy.
- Budowa modelu predykcji i dobór hiperparametrów.
- Przypomnienie podstawowych elementów bibliotek numpy i pandas
- Pierwszy model: regresja liniowa z biblioteki sklearn (LinearRegression)
- Regresja liniowa w wielu wymiarach oraz regresja wielomianiowa.
- Naiwny klasyfikator bayesowski.
- Analiza tekstów algorytmem TF-IDF i One hot encoding z klasyfikatorem bayesowskim.
- Proste rozpoznawanie obrazów z klasyfikatorem bayesowskim.
- Drzewa decyzyjne i lasy losowe, użycie algorytmu xgboost w praktyce.
Dzień II
- Wczytywanie danych, korygowanie danych, konwersje typu, uzupełnianie braków.
- Optymalizacja danych: redukcja liczby cech i algorytm PCA.
- Odnajdywanie skupień i algorytm k-means
- Regresja logistyczna w analizie danych.
- Intuicja działania regresji logistycznej. Specyfika przygotowania danych do analizy regresją logistyczną.
- Pythonowe biblioteki sklearn oraz statsmodels z modelem regresji logistycznej.
- Omówienie sieci neuronowych jako uogólnienie algorytmu regresji logistycznej oraz głębokich sieci neuronowych i uczenie deep learning.
- Dodatkowe źródła wiedzy na dalsze kroki. Książki, portale i blogi, kursy i filmy online.
Trener – opiekun kursu
Rafał jest absolwentem Politechniki Warszawskiej i programistą praktykiem języków Python, C++, C#, MS SQL, VB, VBA. Posiada kilkunastoletnie doświadczenie w tworzeniu oprogramowania. Pracował zarówno dla dużych korporacji (Samsung, Opera) jak i dla mniejszych firm (HI, Sigma Projekt).
Przez kilka lat używał zawodowo VBA – doskonale zna ten język i jego zastosowanie w pakiecie MS Office. Ma dużo doświadczenia i potrafi przekazywać wiedzę. Trudne zagadnienia wyjaśnia w prosty, obrazowy sposób – tak, aby każdy miał możliwość ich zrozumienia.