| 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 | 2023-11-09 - 2023-11-10 | |||
| DISTANCE LEARNING | 2023-12-07 - 2023-12-08 | |||
| 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
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
- 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
Basic
Powtórzenia szkolenia
Kod szkolenia: PL AA 3d
Kod szkolenia: PL AA 5d
Kod szkolenia: PL AA 2d
Kod szkolenia: PL AA 2d
Kod szkolenia: PL AA 5d