- Definicja: Przedstawienie podstawowego pojęcia Machine Learning i różnicy między tradycyjnym programowaniem a uczeniem maszynowym
- Historia i rozwój: Jak ML ewoluował w ciągu lat i jego wpływ na przemysł i naukę
- Rodzaje uczenia: Wprowadzenie do uczenia nadzorowanego, nienadzorowanego i przez wzmacnianie
Szkolenie Machine Learning i AI
Poziom
ŚredniozaawansowanyCzas
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 pracujących w dziedzinie informatyki i programowania chcących poszerzyć swoje umiejętności o programowanie w dziedzinie uczenia maszynowego i sztucznej inteligencji.-
Inżynierów: Inżynierowie, zwłaszcza ci pracujący w dziedzinach takich jak robotyka, automatyka, czy elektronika, mogą korzystać z wiedzy na temat implementacji systemów AI w swoich projektach.
-
Analityków danych: Analitycy danych, zarówno początkujący, jak i doświadczeni, mogą chcieć poznać techniki analizy danych z wykorzystaniem metod AI, co pozwoli im na bardziej zaawansowaną analizę i wnioskowanie z danych.
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 udział danych w uczeniu maszynowym oraz zasady ich przygotowania
-
Praktycznego wykorzystania poznanych algorytmów w rozwiązywaniu problemów
-
Poznasz rodzaje uczenia maszynowego oraz podstawowe algorytmy we wskazanych obszarach
-
Przygotowania do samodzielnego wytworzenia POC
Program szkolenia Machine Learning & AI
Dzień 1 – Dane
Rozgrzewka – co to jest Machine Learning (ML)
Dane – EDA (Exploratory Data Analysis) i preprocessing
- Znaczenie danych: Dlaczego dane są ważne w ML i jakie są źródła zbierania danych
- Analiza eksploracyjna EDA: Wizualizacje, statystyki opisowe, wykrywanie wartości odstających
- Przygotowanie danych: Czyszczenie danych (np. usuwanie brakujących wartości), kodowanie zmiennych kategorycznych, skalowanie i normalizacja, podział na zestawy treningowe/testowe
- Praktyczne przygotowanie danych do uczenia maszynowego, praca na prawdziwych danych – Google Collabolatory, Python
Dzień 2 – uczenie nadzorowane
- Definicja: Cechy charakterystyczne uczenia nadzorowanego, jakie problemy rozwiązuje, zalety i wady
- Regresja: Modele liniowe, wielomianowe i logistyczne
- Klasyfikacja: Drzewa decyzyjne, maszyny wektorów nośnych (SVM), k-najbliższych sąsiadów (k-NN)
- Metryki oceny: Błąd średniokwadratowy, precyzja, czułość, F1, krzywa ROC, AUC
- Praktyczne wykorzystanie omówionych algorytmów w rozwiązywaniu problemów – wytworzenie POC na prawdziwych danych – Google Collabolatory, Python
Dzień 3 – uczenie nienadzorowane
- Definicja: Charakterystyka uczenia nienadzorowanego, jakie problemy rozwiązuje, zalety i wady
- Klasteryzacja: Metody takie jak k-średnich, DBSCAN i hierarchiczna klasteryzacja
- Redukcja wymiarowości: Techniki takie jak analiza głównych składowych (PCA) i t-SNE
- Praktyczne wykorzystanie omówionych algorytmów w rozwiązywaniu problemów – wytworzenie POC na prawdziwych danych – Google Collabolatory, Python
Dzień 4 – sieci neuronowe
- Wprowadzenie: Co to są sieci neuronowe i jakie mają zastosowania, zalety i wady
- Podstawy: Perceptron, architektura sieci, funkcje aktywacji, propagacja wprzód i wstecz
- Głębokie uczenie: głębokie sieci neuronowe, sieci konwolucyjne (CNN) do analizy obrazów
- Praktyczne wykorzystanie omówionych algorytmów w rozwiązywaniu problemów – wytworzenie POC na prawdziwych danych – Google Collabolatory, Python
Pobierz program
Pobierz szczegółowy program w PDF, żeby dowiedzieć się więcej o godzinach i tematach zajęć.
