TERMIN
10-04 – 12-04-2024
Zobacz pozostałe terminy

TRYB SZKOLENIA
Distance Learning
Sprawdź szkolenia stacjonarne

Lokalizacja Termin Cena Wybierz
{{place.city}}
{{ event_pack_item.event_details.education_center.name }} ???
Nowość {{place.price}} netto
{{ place.price | zlotyPriceWithTax }} brutto
 
Skontaktuj się z nami
Dostępne terminy:
DISTANCE LEARNING2024-04-10 - 2024-04-12
DISTANCE LEARNING2024-05-22 - 2024-05-24
DISTANCE LEARNING2024-07-03 - 2024-07-05
DISTANCE LEARNING2024-08-28 - 2024-08-30
DISTANCE LEARNING2024-10-09 - 2024-10-11
DISTANCE LEARNING2024-11-27 - 2024-11-29
Lokalizacja i termin do uzgodnienia
Nowość {{place.price}} netto {{ place.price | zlotyPriceWithTax }} brutto
 
  • Liczba miejsc (dostępnych: {{ basketAddItem.free_seats}})
    {{ basketAddItem.city }}
    {{ basketAddItem.date }}
    Dodaj do koszyka LUB Zarezerwuj szkolenie
    Dodano do koszyka
    Liczba miejsc xxxxxxxxxx

Żeby dowiedzieć się, czy dane szkolenie będzie realizowane stacjonarnie skontaktuj się ze swoim Opiekunem lub zadaj pytanie przez Formularz kontaktowy

Szkolenie / Python...

Uczenie maszynowe w języku Python

Pakiety e-learning

Przeznaczenie szkolenia

Szkolenie przeznaczone jest dla osób chcących zacząć wykorzystywać algorytmy uczenia maszynowego w praktyce.

Korzyści wynikające z ukończenia szkolenia

Uczestnicy poznają podstawy użycia wysokopoziomowych algorytmów uczenia maszynowego, środowisko oraz pakiety wykorzystywane w uczeniu maszynowym, jak również metody wstępnej obróbki danych.

Oczekiwane przygotowanie słuchaczy

Znajomość języka Python na poziomie podstawowym oraz teoretycznych aspektów uczenia maszynowego.

Język szkolenia

  • Szkolenie: polski

AGENDA SZKOLENIA

  1. Wprowadzenie praktyczne
    • Środowisko PyCharm
    • Podstawy NumPy
    • Wczytywanie danych
    • Podstawy Pandas
    • "Hello world" uczenia maszynowego czyli klasyfikacja irysów
  2. Przygotowanie danych (praktyka)
    • Podstawy eksploracji danych
    • Podstawy wizualizacji danych
    • Kodowanie cech
    • Braki w danych
    • Standaryzacja cech
    • Selekcja cech/redukcja wymiarowości
  3. Podstawy uczenia maszynowego (praktyka)
    • Podział danych na zbiór treningowy, walidacyjny i testowy
    • Regresja liniowa
    • Regresja logistyczna
    • Miary jakości modelu
    • Losowość i replikaja wyników
    • Kroswalidacja
    • Optymalizacja hiperparametrów (grid search, random search)
  4. Klasyczne algorytmy uczenia maszynowego
    • Algorytm K najbliższych sąsiadów
    • Drzewa decyzyjne
    • Lasy losowe
    • Maszyna wektorów nośnych (SVM)
    • Klasteryzacja: algorytm k-średnich
  5. Sztuczne sieci neuronowe
    • Implementacja sieci neuronowej z użyciem pakietu scikit-learn
    • Uczenie batchowe a uczenie online
    • Wprowadzenie do uczenia głębokiego (deep learning)
    • Implementacja głębokiej sieci neuronowej z użyciem pakietu Keras


Kod szkolenia PYTH_UM_P / PL AA 3d
   array(6) {
  ["id"]=>
  string(36) "177239BF-B9FC-42DA-B699-B63DECFD98F3"
  ["name"]=>
  string(6) "Altkom"
  ["iscertificatevendor"]=>
  int(0)
  ["iscontentvendor"]=>
  int(1)
  ["imagehash"]=>
  string(12102) "data:image/png;base64,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"
  ["slug"]=>
  string(6) "altkom"
}
    
Pobierz PDF
FORMULARZ KONTAKTOWY
Imię

*

Nazwisko

*

Telefon

*

E-mail

*

Firma

Kod prom.

  • {{ order.city }} {{ order.date }} {{ order.price_without_promo }} {{ order.price }} {{ order.price }}   {{ order.code }} {{ order.price_without_promo }} {{ order.price }} {{ order.price }}  
Uczenie maszynowe w języku Python (PYTH_UM_P / PL AA 3d)
Cena netto
2700.00 PLN
+ vat (3321 PLN brutto 1. os. )
Tryb szkolenia: Distance Learning
Termin: 10-04-2024
Czas trwania: 3 dni (ilość godzin: 21)
Kup Teraz
Zadaj pytanie o szkolenie
Poziom
IntermediateAdvanced
Training Assurance
Gwarancja
Powtórzenia szkolenia
Polecane szkolenia