kurs Machine Learning Masters

1. Wstęp do kursu
2. Instalacja środowiska – Windows
3. Instalacja srodowiska – Ubuntu
4. Instalacja środowiska – Mac OS
5. Materiały do zajęć

1. Wprowadzenie
2. Zapoznanie z VS code, jupyter notebook i podstawowe operacje
3. Typy danych
4. Zaawansowane typy danych – część 1
5. Zaawansowane typy danych – część 2
6. Zaawansowane typy danych – część 3
7. Quiz
8. Biblioteki w Python / operacje matematyczne
9. Instrukcja warunkowa – część 1
10. Instrukcja warunkowa – część 2
11. Quiz
12. Pętle – część 1
13. Pętle – część 2
14. Quiz
15. Typy błędów
16. Funkcje – część 1
17. Funkcje – część 2
18. Input od użytkownika
19. Quiz
20. Mini projekt podstawy Pythona – omówienie zadania
21. Mini projekt podstawy Pythona – rozwiązanie
22. Podsumowanie

1. Wprowadzenie
2. NumPy – typy danych
3. NumPy – operacje
4. Quiz
5. Pandas – wczytywanie danych
6. Pandas – podstawowe operacje – część 1
7. Pandas – podstawowe operacje – część 2
8. Quiz
9. Agregacja danych – część 1
10. Agregacja danych – część 2
11. Analiza korelacji – teoria
12. Analiza korelacji – praktyka
13. Quiz
14. Zaawansowane operacje – część 1
15. Matplotlib – część 1
16. Matplotlib – część 2
17. Quiz
18. Seaborn – część 1
19. Seaborn – część 2
20. Plotly – wykresy interaktywne
21. Quiz
22. Interpretacja wynikow – case study – część 1
23. Interpretacja wynikow – case study – część 2

1. Projekt: Analiza sprzedaży kawy – omówienie zadania
2. Projekt: Analiza sprzedaży kawy – rozwiązanie zadania
3. Podsumowanie

Test końcowy

1. Wprowadzenie
2. Data Science i Machine Learning – podstawowe pojęcia
3. Przykłady problemów, które rozwiązuje ML
4. Proces tworzenia rozwiązań ML
5. Rodzaje modeli
6. Eksploracja danych
7. Quiz
8. Podsumowanie

1. Podstawowe definicje i pojęcia
2. Ewaluacja modeli
3. Quiz

1. Wprowadzenie – teoria
2. Regresja logistyczna – case study – część 1
3. Regresja logistyczna – case study – część 2
4. Interpretacja modelu – teoria
5. Interpretacja modelu – praktyka
6. Quiz
7. Regresja wielomianowa – część 1
8. Regresja wielomianowa – część 2
9. Ocena modeli na podstawie klasy
10. Ocena modeli na podstawie prawdopodobieństwa
11. Quiz

1. Mini projekt – klasyfikacja – omówienie zadania
2. Mini projekt – klasyfikacja – rozwiązanie
3. Podsumowanie

1. Regresja liniowa – teoria
2. Ewaluacja modeli regresyjnych
3. Regresja liniowa – case study
4. Interpretacja modelu – teoria
5. Quiz
6. Interpretacja modelu – praktyka
7. Ocena modeli
8. Quiz

1. Drzewo decyzyjne – teoria
2. Drzewo klasyfikacyjne
3. Hiperparametry modelu
4. Drzewo regresyjne
5. Rysowanie drzewa/ porównanie do regresji liniowej
6. Quiz

1. 1. Random Forest – teoria
   2. RandomForest regresyjny
   3. Random Forest klasyfikacyjny
   4. Random Forest klasyfikacyjny – ocena modelu
   5. Quiz

1. Light GBM – Teoria
2. Wykorzystanie Light GBM w praktyce
3. Quiz

1. Projekt – podstawy ML – omówienie zadania
2. Projekt – podstawy ML – rozwiązanie
3. Podsumowanie

Test końcowy

1. Wprowadzenie
2. Zmienne kategoryczne – enkodowanie teoria
3. Zmienne kategoryczne – one hot encoding i ordinal encoding
4. Target based encoding
5. Case study – wpływ zmiennych kategorycznych
6. Quiz
7. Przekształcenia zmiennych nominalnych
8. Normalizacja zmiennych
9. Przekształcenie boxa-coxa
10. Quiz
11. Kategoryzacja zmiennych – teoria
12. Kategoryzacja zmiennych – praktyka
13. Zaawansowane metody selekcji zmiennych – teoria
14. Zaawansowane metody selekcji zmiennych – praktyka
15. Quiz
16. Zaawansowane metody detekcji outlierów – teoria
17. Zaawansowane metody detekcji outlierów – praktyka
18. Bilansowanie zbioru danych – teoria
19. Bilansowanie zbioru danych – praktyka
20. Quiz
21. Podsumowanie

1. Regresja kwantylowa
2. quantile regression
3. Quiz

1. Prawdopodobieństwo
2. Metryki bazujące na prawdopodobieństwie – ROC, precision recall
3. Metryki bazujące na prawdopodobieństwie – Rozkład prawdopodobieństwa
4. Metryki bazujące na prawdopodobieństwie – Krzywe lift i gain
5. Quiz
6. Kalibracja prawdopodobieństwa
7. Optymalny punkt cut-off, klasy prawdopodobieństwa

1. Projekt – omówienie zadania
2. Projekt – rozwiązanie
3. Podsumowanie

1. Time series – wstęp
2. Regresja liniowa
3. Time series – preprocessing – część 1
4. Time series – preprocessing – część 2
5. Time series – preprocessing – część 3
6. Quiz
7. Time series – modelowanie
8. Dane panelowe z wykorzystaniem modeli ML
9. Statsforecasts
10. Auto TS
11. Neural Prophet
12. Exponential smoothing
13. Quiz
14. Podsumowanie

1. Teoria
2. Praktyka
3. Quiz

1. Podstawy uczenia nienadzorowanego
2. K-means
3. Metody hierarchiczne
4. Quiz
5. KNN
6. DBSCAN
7. Redukcja wymiarowości – PCA
8. Quiz
9. Podsumowanie

1. Teoria i koncepcja
2. Przykład modelu klasyfikacyjnego

1. Projekt – zaawansowany ML – omówienie zadania
2. Projekt – zaawansowany ML – rozwiązanie – Analiza Danych
3. Projekt – zaawansowany ML – rozwiązanie – modelowanie
4. Podsumowanie

Test końcowy

1. Wprowadzenie
2. Po co optymalizować modele?
3. random search
4. grid search
5. Quiz

1. Programowanie liniowe – teoria
2. Optymalizacja liniowa
3. Wybrane metody optymalizacyjne w bibliotece scipy
4. Quiz

1. Zaawansowane metody optymalizacyjne
2. Wstęp do optuny
3. Optymalizacja hiperparametrów w Optunie
4. Optymalizacja Bayesowska
5. Optymalizacja zaawansowana w bibliotece Scipy
6. Quiz

1. Wstęp do optymalizacji biznesowej – czyli piękny model to za mało
2. Symulacje
3. Macierz kosztów
4. Case study
5. Quiz

1. Projekt – omówienie zadania
2. Projekt – rozwiązanie – Zadania 1-2
3. Projekt – rozwiązanie – Zadania 3-5
4. Podsumowanie

1. Wstęp do baz danych i SQL
2. Zapytania DDL SQL w Python
3. Zapytania DQL SQL w Python
4. Quiz

1. AWS – wstęp
2. Konfiguracja środowiska AWS
3. S3
4. Quiz

1. Zarządzanie modelami – teoria
2. Scikit- learn pipelines
3. Zapisywanie i wczytywanie modelu
4. Przygotowanie prognozowania modelu
5. Mlflow
6. Quiz

1. Projekt – omówienie zadania
2. Projekt – rozwiązanie – Zadania 1-2
3. Projekt – rozwiązanie – Zadania 3-5
4. Podsumowanie

Test końcowy

1. Wprowadzenie
2. Wczytanie i agregacja danych
3. Tworzenie map
4. Analiza Danych

1. Data Preprocessing
2. Model długookresowy
3. Model krótkookresowy – time series
4. Model krótkookresowy – klasyczny machine learning

1. Wczytanie zbioru i wstępne przetwarzanie
2. Stworzenie nowych zmiennych
3. Detekcja outlierów i selekcja zmiennych
4. Optymalizacja modelu

1. Zapis danych do bazy danych
2. Pobieranie modelu
3. Predykcja na następną godzinę
4. Predykcja na kolejny dzień
5. Aplikacja
6. Podsumowanie