Szkolenie Machine Learning i AI
Poziom
PodstawowyCzas
32h / 4 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie Machine Learning & AI
Szkolenie „Machine Learning & AI” to kurs, który ma na celu dostarczenie uczestnikom praktycznych umiejętności związanych z sztuczną inteligencją (AI – Artificial Intelligence). Szkolenie to ma na celu przygotowanie specjalistów lub pracowników różnych branż do wykorzystania technologii AI w swojej pracy lub projektach. Szkolenia tego typu są coraz bardziej popularne, ponieważ AI staje się coraz bardziej powszechne w wielu dziedzinach i istnieje popyt na specjalistów z umiejętnościami w tej dziedzinie. Warto zaznaczyć, że AI to obszar bardzo dynamiczny, więc regularne szkolenia i aktualizowanie wiedzy są kluczowe dla utrzymania konkurencyjności zawodowej.
Dla kogo jest szkolenie Machine Learning & AI?
Specjalistów IT i programistów: Osób chcących dodać do swojego warsztatu podstawy ML/AI i pracy z danymi w Pythonie (wymagana znajomość podstaw Pythona).-
Inżynierów: Osób pracujących m.in. w robotyce, automatyce lub elektronice, które chcą rozumieć możliwości i ograniczenia ML/AI oraz budować prototypy rozwiązań opartych o dane.
-
Analityków danych: Osób chcących uporządkować podstawy uczenia maszynowego i rozwinąć umiejętności przygotowania danych, doboru modeli oraz oceny jakości wyników.
Ważne informacje przed szkoleniem:
Szkolenie oparte będzie o język Python oraz popularne biblioteki jak: pandas, numpy, scikit-learn, pytorch oraz inne. Realizacja szkolenia odbywa się na platformie Colabolatory Google, wymagania stawiane uczestnikowi to posiadanie zwykłego konta w serwisie google np. poczta gmail.
Czego nauczysz się na szkoleniu Machine Learning & AI?
- Zrozumiesz rolę danych w uczeniu maszynowym oraz zasady ich przygotowania (EDA, preprocessing, podziały train/validation/test, unikanie data leakage)
- Nauczysz się praktycznie wykorzystywać podstawowe algorytmy ML w rozwiązywaniu problemów nadzorowanych i nienadzorowanych, wraz z doborem metryk i analizą błędów
- Poznasz rodzaje uczenia maszynowego oraz typowe podejścia modelowe (regresja, klasyfikacja, klasteryzacja, redukcja wymiarowości, wprowadzenie do sieci neuronowych)
- Przygotujesz się do samodzielnego wytworzenia PoC: od danych, przez model, po ocenę jakości i wnioski o ograniczeniach rozwiązania
Program szkolenia Machine Learning & AI
Dzień 1 – Dane
Rozgrzewka – podstawy Machine Learning (ML)
- Definicja: podstawowe pojęcie Machine Learning oraz różnica między tradycyjnym programowaniem a uczeniem maszynowym
- Historia i rozwój: ewolucja ML oraz wpływ na przemysł i naukę
- Rodzaje uczenia: uczenie nadzorowane, nienadzorowane oraz uczenie przez wzmacnianie
Dane – EDA (Exploratory Data Analysis) i przygotowanie danych
- Znaczenie danych: rola danych w ML oraz źródła pozyskiwania danych
- Analiza eksploracyjna EDA: wizualizacje, statystyki opisowe, kontrola braków i wartości odstających
- Przygotowanie danych: czyszczenie danych (braki, duplikaty), kodowanie zmiennych kategorycznych, skalowanie i normalizacja, podział train/validation/test oraz kontrola data leakage
- Ćwiczenia praktyczne: przygotowanie danych do uczenia maszynowego na danych rzeczywistych – Google Colaboratory, Python
Dzień 2 – uczenie nadzorowane
- Definicja: charakterystyka uczenia nadzorowanego, typy problemów, zalety i ograniczenia
- Regresja: modele liniowe i wielomianowe; podstawy regresji logistycznej jako klasyfikacji binarnej
- Klasyfikacja: drzewa decyzyjne, SVM, k-NN; podstawy doboru i strojenia
- Metryki oceny: MSE/MAE/RMSE, precyzja, czułość, F1, krzywa ROC, AUC; walidacja krzyżowa i dobór progu
- Ćwiczenia praktyczne: zastosowanie algorytmów nadzorowanych na danych rzeczywistych – prototyp PoC – Google Colaboratory, Python
Dzień 3 – uczenie nienadzorowane
- Definicja: charakterystyka uczenia nienadzorowanego, typy problemów, zalety i ograniczenia
- Klasteryzacja: k-średnich, DBSCAN i klasteryzacja hierarchiczna; dobór liczby klastrów i interpretacja
- Redukcja wymiarowości: PCA oraz UMAP/t-SNE; zastosowania w wizualizacji i kompresji cech
- Ćwiczenia praktyczne: zastosowanie algorytmów nienadzorowanych na danych rzeczywistych – prototyp PoC – Google Colaboratory, Python
Dzień 4 – sieci neuronowe
- Wprowadzenie: charakterystyka sieci neuronowych, zastosowania, zalety i ograniczenia
- Podstawy: perceptron, architektura sieci, funkcje aktywacji, propagacja w przód i wstecz, optymalizacja gradientowa
- Głębokie uczenie: głębokie sieci neuronowe; podstawy CNN w analizie obrazów
- Ćwiczenia praktyczne: zastosowanie sieci neuronowych na danych rzeczywistych – prototyp PoC – Google Colaboratory, Python
Pobierz program
Pobierz szczegółowy program w PDF, żeby dowiedzieć się więcej o godzinach i tematach zajęć.
