Szkolenie Analiza danych i uczenie maszynowe
Poziom
ŚredniozaawansowanyCzas
40h / 5 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie z Analizy danych i uczenia maszynowego
Poniżej przedstawiamy przykładowy program szkolenia, który może zostać zmodyfikowany zgodnie z oczekiwaniami oraz poziomem grupy szkoleniowej. Przed przygotowaniem docelowego programu szkolenia, przeprowadzamy rozmowę techniczną, w której bierze udział trener oraz osoba techniczna lub cały zespół developerów reprezentujący klienta, w celu ustalenia szczegółów szkolenia.
Dla kogo jest szkolenie Analiza danych i uczenie maszynowe?
Dla osób rozwijających się w stronę pracy z uczeniem maszynowym i sztuczną inteligencją.
Dla analityków danych potrzebujących narzędzi do implementacji i automatyzacji własnych analiz i algorytmów.-
Dla programistów Python chcących rozszerzyć swoje kompetencje w obszarze analizy danych i machine learning.
Czego nauczysz się na szkoleniu z analizy danych i uczenia maszynowego?
- Zdobędziesz umiejętności analizy danych i uczenia maszynowego, wykorzystując biblioteki Pythona takie jak Pandas, NumPy, SciPy, matplotlib i seaborn do efektywnego przetwarzania, analizy i wizualizacji danych.
- Nauczysz się pobierać dane, przeprowadzać analizę, wykonywać operacje na danych, w tym pracę z brakującymi danymi, wartościami odstającymi oraz walidację jakości danych.
- Opanujesz techniki wizualizacji danych, w tym dobór wykresów do problemu, prezentację wniosków oraz eksport i zapisywanie wizualizacji.
- Poznasz proces tworzenia i oceny modeli w bibliotece Scikit Learn: podział danych, walidacja (w tym cross-validation), dobór metryk oraz praktyczne podejście do problemów klasyfikacji, regresji i klasteryzacji.
- Zdobędziesz wiedzę na temat pracy z sieciami neuronowymi w TensorFlow i Keras, w tym architektury, proces uczenia, regularizację, douczanie, transfer learning oraz typy sieci stosowane w przetwarzaniu obrazów i tekstu.
- Nauczysz się podstaw eksploatacji modeli: wersjonowania artefaktów, powtarzalności eksperymentów, interpretacji wyników, ograniczeń i ryzyk (np. bias) oraz elementów monitoringu jakości i driftu.
Program szkolenia
Narzędzia obliczeniowe i algorytmiczne (biblioteki Pandas, NumPy i SciPy)
- Pobieranie danych z plików, API i baz danych
- Eksploracja danych oraz operacje na tablicach i danych tabelarycznych (NumPy/Pandas)
- Obsługa braków danych, typów, wartości odstających oraz spójności danych
- Czyszczenie danych i walidacja jakości (reguły, testy, unikanie wycieku informacji)
Wizualizacja (biblioteki matplotlib, seaborn)
- Wizualizacja eksploracyjna i prezentacyjna (matplotlib, seaborn)
- Eksport wyników i zapis wizualizacji (formaty, parametry, powtarzalność)
Praca z zasobami API i Bazami Danych (w miarę możliwości technicznych)
Machine Learning i Deep Learning w Pythonie
- Modelowanie w Scikit Learn (podział danych, walidacja, metryki, pipeline, dobór hiperparametrów) – klasyfikacja
- Modelowanie w Scikit Learn (metryki, regularizacja, porównywanie modeli, analiza błędów) – regresja
Praca z zasobami API i Bazami Danych
Machine Learning i Deep Learning w Pythonie:
- Modelowanie w Scikit Learn (regresja, klasteryzacja, dobór cech, porównywanie modeli)
- Sieci neuronowe w TensorFlow i Keras (architektury, uczenie, regularizacja, transfer learning) – dane obrazowe
- Sieci neuronowe w TensorFlow i Keras (architektury, uczenie, transfer learning) – dane tekstowe i sekwencyjne
- Eksploatacja modeli – podstawy reproducibility, wersjonowanie, monitoring jakości i driftu, interpretacja i ryzyka
