Python Machine Learning - Avendi

Python Machine Learning

Baza wiedzy
Programowanie: VBASQL ServerPython

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.

TytułMiastoTerminCenaIlość dniDostępnośćRezerwacja
Python Machine Learning Opis kursu Warszawa11-12.01.2021 990,00  netto
1 217,70  brutto
24 miejsca 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:

  • 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. Czym zajmuje się ML i co oznacza ten termin i jakie problemy pozwala rozwiązać.
  2. Pojęcia uczenie nadzorowane i nienadzorowane, zbiór treningowy i testowy.
  3. Budowa modelu predykcji i dobór hiperparametrów.
  4. Przypomnienie podstawowych elementów bibliotek numpy i pandas
  5. Pierwszy model: regresja liniowa z biblioteki sklearn (LinearRegression)
  6. Regresja liniowa w wielu wymiarach oraz regresja wielomianiowa.
  7. Naiwny klasyfikator bayesowski.
  8. Analiza tekstów algorytmem TF-IDF i One hot encoding z klasyfikatorem bayesowskim.
  9. Proste rozpoznawanie obrazów z klasyfikatorem bayesowskim.
  10. Drzewa decyzyjne i lasy losowe, użycie algorytmu xgboost w praktyce.

Dzień II

  1. Wczytywanie danych, korygowanie danych, konwersje typu, uzupełnianie braków.
  2. Optymalizacja danych: redukcja liczby cech i algorytm PCA.
  3. Odnajdywanie skupień i algorytm k-means
  4. Regresja logistyczna w analizie danych.
  5. Intuicja działania regresji logistycznej. Specyfika przygotowania danych do analizy regresją logistyczną.
  6. Pythonowe biblioteki sklearn oraz statsmodels z modelem regresji logistycznej.
  7. Omówienie sieci neuronowych jako uogólnienie algorytmu regresji logistycznej oraz głębokich sieci neuronowych i uczenie deep learning.
  8. Dodatkowe źródła wiedzy na dalsze kroki. Książki, portale i blogi, kursy i filmy online.

Trener – opiekun kursu

  • Rafał Lelusz trener

    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.