Python Machine Learning
Python Machine Learning
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.
| Tytuł | Miasto | Termin | Cena | Ilość dni | Dostępność | Rezerwacja |
|---|---|---|---|---|---|---|
| Python Machine Learning Opis kursu | Warszawa | 08-10.02.2021 | 2 495,00 zł netto 3 068,85 zł brutto | 3 | Brak miejsc - zapisy na listę rezerwową | Rezerwuj |
| Warszawa | 10-12.03.2021 | 2 495,00 zł netto 3 068,85 zł brutto | 3 | 4 miejsca | Rezerwuj | |
| Warszawa | 12-14.04.2021 | 2 495,00 zł netto 3 068,85 zł brutto | 3 | 5 miejsc | 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:
- 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
- Krótkie powtórzenie -biblioteki Numpy i Pandas
- Narzędzia i konfiguracja środowiska pracy w Pythonie
- Opis przykładowego zbioru danych
- tendencje centralne
- dyspersja
- korelacja i przyczynowość
- paradoks Simpsona
- Podstawy statystyki – prawdopodobieństwo
- zależność i niezależność
- prawdopodobieństwo warunkowe
- twierdzenie Bayesa
- zmienne losowe
- rozkład normalny
- centralne twierdzenie graniczne
- Hipotezy i wnioski
- sprawdzanie hipotez
- przedziały ufności
- hakowanie wartości p
- metoda gradientu prostego
- szacowanie gradientu
- korzystanie z gradientu
- dobór właściwego rozmiaru kroku
- stochastyczna metoda gradientu prostego
- Wprowadzenie do uczenia maszynowego
- podstawowe pojęcia związane z uczeniem maszynowym
- obszary, którymi zajmuje się machine learning
- problemy, które można rozwiązać
Dzień II
- Podział uczenia maszynowego
- nadzorowane (supervised) – klasyfikacja i regresja
- nienadzorowane (unsupervised) – klasteryzacja i reguły asocjacyjne
- półnadzorowane (semi-supervised)
- przez wzmacnianie (reinforcement learning)
- Pozyskiwanie i przygotowanie danych do budowy modelu
- Rodzaje danych wykorzystywanych w machine learning
- dane uporządkowane
- dane nieuporządkowane – wykorzystanie plików cookies i maili w analizie
- Projekt analityczny – określanie celu biznesowego (co chcemy przewidywać)
- Eksploracja i przygotowanie danych do analizy
- przygotowanie obiektu dataframe
- analiza typów danych
- uzupełnienie braków w danych
- przeskalowanie danych
- redukcja liczby wymiarów
- wyznaczenie podstawowych statystyk i korelacji zmiennych
- wyświetlenie rozkładu zmiennych
- standaryzacja danych – StandardScaler
- ekstrakcja i selekcja cech
- metody wizualizacji danych – biblioteki Matplotlib i Plotly
- Podział danych na zbiór treningowy, walidacyjny i testowy
- Metody działania algorytmów
Dzień III
- Klasyfikacja binarna
- model przewidujący, czy klient kupi kartę kredytową
- Klasyfikacja wieloklasowa
- analiza tekstu – budowa klasyfikatora w języku Python do analizy opinii klientów z booking.com (klasy: pozytywna, negatywna, neutralna)
- klasyfikacja – rozpoznawanie cyfr
- Regresja liniowa
- równanie normalne
- algorytm spadku gradientowego
- stochastyczny spadek wzdłuż gradientu
- eliminacja wsteczna
- szacowanie maksymalnego prawdopodobieństwa
- analiza parametrów mieszkania (cena, metraż, lokalizacja) w portalu gratka.pl i przewidywanie ceny sprzedaży mieszkań w Gdańsku
- Regresja wielomianowa
- model najmniejszych kwadratów
- Regresja logistyczna
- przewidywanie, czy klient założy konto VIP, czy dokupi ubezpieczenie do konta
- Drzewa decyzyjne
- gini, entropia
- zyski informacyjne
- Lasy losowe
- Maszyna wektorów nośnych (SVM – Support Vector Machine)
- Naiwny klasyfikator bayesowski – filtr antyspamowy
- Algorytm k najbliższych sąsiadów – przewidywanie na kogo oddam głos w wyborach
- Metody doboru modeli i poprawienia jakości ich przewidywań
- niedouczenie i przeuczenie modeli
- walidacja krzyżowa
- przeszukiwanie siatki
- Wprowadzenie do uczenia głębokiego (deep learning, sieci neuronowe)
- Inne popularne biblioteki języka Python do tworzenia modeli
- tensorFlow
- pakiet Keras
- pyTorch
- statsmodels
Trener – opiekun kursu
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.