| Lokalizacja | Termin | Cena | Wybierz | |
|---|---|---|---|---|
|
{{place.city}}
{{ event_pack_item.event_details.education_center.name }}
???
|
{{place.date}}
({{ event_pack_item.product_details.product_informations.code }} / {{ event_pack_item.product_details.product_informations.name }})
{{ altkomDateFormatMoment(event_pack_item.event_details.startdate, event_pack_item.event_details.enddate) }}
???
|
|
{{place.price}} netto{{ place.price | zlotyPriceWithTax }} brutto |
|
| Skontaktuj się z nami | ||||
| Dostępne terminy: | ||||
| DISTANCE LEARNING | 2024-06-13 - 2024-06-14 | |||
| DISTANCE LEARNING | 2024-07-11 - 2024-07-12 | |||
| DISTANCE LEARNING | 2024-08-22 - 2024-08-23 | |||
| DISTANCE LEARNING | 2024-10-10 - 2024-10-11 | |||
| DISTANCE LEARNING | 2024-11-28 - 2024-11-29 | |||
| DISTANCE LEARNING | 2024-12-23 - 2024-12-24 | |||
| Lokalizacja i termin do uzgodnienia | |
{{place.price}} netto
{{ place.price | zlotyPriceWithTax }} brutto
|
||
-
Liczba miejsc (dostępnych: {{ basketAddItem.free_seats}})
{{ basketAddItem.city }}
{{ basketAddItem.date }}
Liczba miejsc xxxxxxxxxx
Żeby dowiedzieć się, czy dane szkolenie będzie realizowane stacjonarnie skontaktuj się ze swoim Opiekunem lub zadaj pytanie przez Formularz kontaktowy
Przeznaczenie szkolenia
Szkolenie przeznaczone jest dla osób chcących zdobyć podstawową wiedzę z uczenia maszynowego (ML). Szkolenie ma charakter wykładowo-dyskusyjny. Omawiane zagadnienia ilustrowane są przykładami w języku Python.
Korzyści wynikające z ukończenia szkolenia
Uczestnicy szkolenia zdobywają podstawową wiedzę teoretyczną potrzebną, aby w świadomy sposób korzystać z wysokopoziomowych implementacji metod ML. Kontynuacją szkolenia stanowią warsztaty "Uczenie maszynowe w języku Python", na których kursanci implementują omówione algorytmy w środowisku programistycznym.
Oczekiwane przygotowanie słuchaczy
Podstawowa wiedza z matematyki i statystyki. Umiejętność programowania pozwoli zrozumieć przykłady w Pythonie ilustrujące omawiane zagadnienia.
Język szkolenia
- Szkolenie: polski
AGENDA SZKOLENIA
- Wprowadzenie do ML
- Definicja ML
- ML a sztuczna inteligencja
- Obszary zastosowania ML
- Kompetencje w ML
- Ustrukturyzowane/nieustrukturyzowane dane
- Cechy/instancje/etykiety/zmienna predykowana
- Klasyfikacja, regresja, klasteryzacja
- Rodzaje ML
- Trening, predykcja, ewaluacja
- Podział na zbiór treningowy i testowy
- Regresja liniowa
- Regresja logistyczna
- Algorytm a model
- Spojrzenie procesowe na ML
- Biblioteki do ML
- Hello world ML czyli klasyfikacja irysów
- Przygotowanie danych
- Problemy z danymi
- Podstawy eksploracji i wizualizacji danych
- Rodzaje cech
- Kodowanie cech
- Standaryzacja i skalowanie cech
- Obserwacje odstające
- Reguła 3 sigm
- Braki w danych
- Selekcja cech/redukcja wymiarowości
- Wybrane zagadnienia ML
- Ocena jakości modelu
- Problem przeuczenia (overfitting) i niedouczenia (underfitting)
- Losowość i odtwarzalność w ML
- Kroswalidacja
- Parametry a hiperparametry
- Optymalizacja hiperparametrów
- Klasyczne algorytmy ML
- Taksonomia algorytmów ML
- Algorytm K najbliższych sąsiadów
- Drzewa decyzyjne
- Zespoły modeli (ensembling)
- Lasy losowe
- Klasyfikacja wieloklasowa i wieloetykietowa
- Klasteryzacja: algorytm k-średnich
- Sztuczne sieci neuronowe
- Motywacja i inspiracja biologiczna
- Model neuronu
- Funkcje aktywacji
- Perceptron wielowarstwowy – architektura
- Perceptron wielowarstwowy – działanie
- Perceptron wielowarstwowy – uczenie (propagacja wsteczna)
- Kodowanie obrazu
- Uczenie batchowe
- Rodzaje sieci neuronowych
- Interpretowalność modelu
- Dalsze kierunki kształcenia
- Podsumowanie szkolenia: pytania/komentarze/dyskusja
- Definicja ML
- ML a sztuczna inteligencja
- Obszary zastosowania ML
- Kompetencje w ML
- Ustrukturyzowane/nieustrukturyzowane dane
- Cechy/instancje/etykiety/zmienna predykowana
- Klasyfikacja, regresja, klasteryzacja
- Rodzaje ML
- Trening, predykcja, ewaluacja
- Podział na zbiór treningowy i testowy
- Regresja liniowa
- Regresja logistyczna
- Algorytm a model
- Spojrzenie procesowe na ML
- Biblioteki do ML
- Hello world ML czyli klasyfikacja irysów
- Problemy z danymi
- Podstawy eksploracji i wizualizacji danych
- Rodzaje cech
- Kodowanie cech
- Standaryzacja i skalowanie cech
- Obserwacje odstające
- Reguła 3 sigm
- Braki w danych
- Selekcja cech/redukcja wymiarowości
- Ocena jakości modelu
- Problem przeuczenia (overfitting) i niedouczenia (underfitting)
- Losowość i odtwarzalność w ML
- Kroswalidacja
- Parametry a hiperparametry
- Optymalizacja hiperparametrów
- Taksonomia algorytmów ML
- Algorytm K najbliższych sąsiadów
- Drzewa decyzyjne
- Zespoły modeli (ensembling)
- Lasy losowe
- Klasyfikacja wieloklasowa i wieloetykietowa
- Klasteryzacja: algorytm k-średnich
- Motywacja i inspiracja biologiczna
- Model neuronu
- Funkcje aktywacji
- Perceptron wielowarstwowy – architektura
- Perceptron wielowarstwowy – działanie
- Perceptron wielowarstwowy – uczenie (propagacja wsteczna)
- Kodowanie obrazu
- Uczenie batchowe
- Rodzaje sieci neuronowych
- Interpretowalność modelu
- Dalsze kierunki kształcenia
- Podsumowanie szkolenia: pytania/komentarze/dyskusja
Kod szkolenia
PYTH_UM_T / PL AA 2d
Pobierz PDF
FORMULARZ KONTAKTOWY
Podstawy uczenia maszynowego
(PYTH_UM_T
/ PL AA 2d)
Cena promocyjna od:
Cena netto
1700 PLN
+ vat
(2091 PLN
brutto
)
1. os.
Tryb szkolenia:
Distance Learning
Termin:
13-06-2024
Czas trwania:
2
dni (ilość godzin:
14)
Zadaj pytanie o szkolenie
Poziom
Basic
Basic
Gwarancja
Powtórzenia szkolenia
Powtórzenia szkolenia
Polecane szkolenia
Uczenie maszynowe w języku Python
Kod szkolenia: PL AA 3d
Kod szkolenia: PL AA 3d
Zaawansowane techniki programowania w języku Python
Kod szkolenia: PL AA 5d
Kod szkolenia: PL AA 5d
Deep learning w języku Python
Kod szkolenia: PL AA 2d
Kod szkolenia: PL AA 2d
Przetwarzanie języka naturalnego w Pythonie
Kod szkolenia: PL AA 2d
Kod szkolenia: PL AA 2d
Podstawy programowania w języku Python
Kod szkolenia: PL AA 5d
Kod szkolenia: PL AA 5d