Pobierz kartę szkolenia

Podstawy uczenia maszynowego

kod szkolenia: PYTH_UM_T / PL AA 2d

Pakiety e-learning

Termin

tryb Distance Learning

poziom Podstawowy

czas trwania 2 dni |  14h|  11.07 12.07
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
czas trwania 2 dni |  14h|  22.08 23.08
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
czas trwania 2 dni |  14h|  10.10 11.10
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
czas trwania 2 dni |  14h|  28.11 29.11
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
czas trwania 2 dni |  14h|  23.12 24.12
2 100,00 PLN + 23% VAT (2 583,00 PLN brutto)
Poprzednia najniższa cena:
1 700,00 PLN
2 100,00 PLN 2 583,00 PLN brutto

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.

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.

Podstawowa wiedza z matematyki i statystyki. Umiejętność programowania pozwoli zrozumieć przykłady w Pythonie ilustrujące omawiane zagadnienia.

  • Szkolenie: polski
  1. 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
  2. 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
  3. Wybrane zagadnienia ML
    • Ocena jakości modelu
    • Problem przeuczenia (overfitting) i niedouczenia (underfitting)
    • Losowość i odtwarzalność w ML
    • Kroswalidacja
    • Parametry a hiperparametry
    • Optymalizacja hiperparametrów
  4. 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
  5. 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