Szkolenie Scikit-Learn
Poziom
ŚredniozaawansowanyCzas
16h / 2 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie Scikit-Learn
Szkolenie Scikit-Learn to intensywny, dwudniowy kurs, w którym 80% czasu poświęcone jest praktycznym warsztatom, a 20% teorii. Kurs ma na celu przekazanie solidnych podstaw teoretycznych oraz praktycznych umiejętności w zakresie korzystania z Scikit-Learn, popularnej biblioteki do uczenia maszynowego w Pythonie. Uczestnicy będą pracować z rzeczywistymi danymi, przygotowywać dane, budować i trenować modele oraz dowiedzą się, jak zastosować zdobytą wiedzę w swoich projektach.
Dla kogo jest to szkolenie?
Programistów i inżynierów danych, którzy chcą poszerzyć swoje umiejętności o Scikit-Learn
Analityków danych pragnących zastosować Scikit-Learn w swoich projektach
Entuzjastów sztucznej inteligencji i uczenia maszynowego chcących rozpocząć pracę z Scikit-Learn
Wymagane umiejętności technologiczne:
Znajomość podstaw programowania w Pythonie
Podstawowa wiedza z zakresu uczenia maszynowego
Umiejętność pracy w środowisku Jupyter Notebook
Czego nauczysz się na tym szkoleniu?
- Jak zainstalować i skonfigurować Scikit-Learn w swoim środowisku pracy
- Jak budować, trenować i optymalizować modele uczenia maszynowego w Scikit-Learn
- Jak implementować zaawansowane modele, takie jak drzewa decyzyjne i modele zespołowe
- Jak przygotować i wdrożyć modele Scikit-Learn w środowisku produkcyjnym
Program szkolenia
Dzień 1: Wprowadzenie do Scikit-Learn i podstawy uczenia maszynowego
Wprowadzenie do Scikit-Learn
- Historia i rozwój Scikit-Learn
- Główne funkcje i moduły biblioteki
Instalacja i konfiguracja środowiska
- Instalacja Scikit-Learn i zależności
- Konfiguracja środowiska pracy (Jupyter Notebook)
Podstawy uczenia maszynowego z Scikit-Learn
- Operacje na zbiorach danych: wczytywanie, przetwarzanie i analiza
- Przygotowanie danych do modeli uczenia maszynowego
- Tworzenie i uruchamianie podstawowych modeli (regresja liniowa, klasyfikacja)
Warsztat: Tworzenie pierwszego modelumodeli i konsolidacja
- Implementacja modelu regresji liniowej
- Trening i ewaluacja modelu na rzeczywistych danych
Dzień 2: Bardziej zaawansowane techniki i praktyczne zastosowania
Inne modele w Scikit-Learn
- Drzewa decyzyjne i lasy losowe
- Modele zespołowe (Boosting, Bagging)
Optymalizacja i dostrajanie modeli
- Techniki optymalizacji hiperparametrów (Grid Search, Random Search)
- Walidacja krzyżowa i metryki oceny modelu
Warsztat: zagadnienia klasyfikacji i regresji
- Przygotowanie i przetwarzanie danych do klasyfikacji
- Implementacja i trening
Deployowanie modeli Scikit-Learn
- Eksportowanie modeli i przygotowanie do wdrożenia
- Wdrożenie modelu w środowisku produkcyjnym
Pobierz program
Pobierz szczegółowy program w PDF, żeby dowiedzieć się więcej o godzinach i tematach zajęć.