Szkolenie Wprowadzenie do Machine Learning
Poziom
PodstawowyCzas
16h / 2 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie Wprowadzenie do Machine Learning
Machine Learning to zastosowanie algorytmów i modeli matematycznych, które umożliwiają komputerom uczenie się i podejmowanie decyzji na podstawie danych, bez potrzeby jasno zdefiniowanych instrukcji programistycznych. Włączenie ML do procesu programowania pozwala tworzyć aplikacje, które potrafią się dostosować i polepszać swoje działanie w miarę zdobywania nowych informacji.
Dla kogo jest to szkolenie?
Dla osób, które interesują się nowinkami technologicznymi i wykorzystaniem sztucznej inteligencji w codziennej pracy-
Dla programistów, analityków danych, analityków biznesowych, marketerów, designerów i wszystkich tych, którym uczenie maszynowe znacznie ułatwia pracę
Czego nauczysz się na szkoleniu?
- Zrozumiesz, czym jest uczenie maszynowe, jakie są jego rodzaje oraz jak dobierać przypadki użycia i kryteria sukcesu (metryki) na poziomie koncepcyjnym
- Nauczysz się pracować w środowisku ML: Python, Jupyter, IDE oraz podstawy reprodukowalności pracy
- Utrwalisz kluczowe elementy Pythona potrzebne do pracy z danymi (typy danych, funkcje, obiektowość)
- Opanujesz podstawy statystyki i przetwarzania danych pod ML: rozkłady, korelacje, czyszczenie i transformacje oraz identyfikację typowych ryzyk (data leakage, bias)
Program szkolenia
1. Wstęp
- Cel, zakres i rodzaje uczenia maszynowego
- Różnica między uczeniem maszynowym a uczeniem głębokim (deep learning)
- Zastosowania uczenia maszynowego w znanych przykładach oraz kryteria sukcesu (metryki)
2. Środowisko programistyczne
- Konfiguracja środowiska wirtualnego conda oraz zależności (reproducibility)
- Konfiguracja IDE: Jupyter oraz PyCharm/VSC, organizacja pracy z notebookami
3. Python – przypomnienie
- Składnia i konwencje
- Typy danych i struktury kolekcji
- Funkcje i moduły
- Obiektowość: klasy i metody
4. Statystyka w praktyce
- Podstawowe pojęcia: miary tendencji centralnej i rozproszenia
- Rozkłady i próbkowanie
- Korelacja a zależność, ryzyko błędnych wniosków
5. Przetwarzanie danych
- Numpy: tablice, wektoryzacja, losowość (seed)
- Pandas: ramki danych, łączenie, grupowanie
- Data cleaning: braki danych, duplikaty, typy, outliery
- Data wrangling: transformacje, kodowanie, skalowanie
- Data understanding: cechy i etykiety, źródła błędów, data leakage
- Data visualization: wykresy diagnostyczne, rozkłady, korelacje
- Data analysis: EDA, hipotezy, baseline
- Data storytelling: wnioski, ograniczenia, ryzyka i etyka użycia
