Pobierz kartę szkolenia

Uczenie maszynowe w języku Python

kod szkolenia: PYTH_UM_P / PL AA 3d

Pakiety e-learning

Termin

tryb Distance Learning

poziom Średnio zaawansowany

czas trwania 3 dni |  21h|  03.07 04.07 05.07
2 700,00 PLN + 23% VAT (3 321,00 PLN brutto)
Poprzednia najniższa cena:
2 700,00 PLN
czas trwania 3 dni |  21h|  28.08 29.08 30.08
2 700,00 PLN + 23% VAT (3 321,00 PLN brutto)
Poprzednia najniższa cena:
2 700,00 PLN
czas trwania 3 dni |  21h|  09.10 10.10 11.10
2 700,00 PLN + 23% VAT (3 321,00 PLN brutto)
Poprzednia najniższa cena:
2 700,00 PLN
czas trwania 3 dni |  21h|  27.11 28.11 29.11
2 700,00 PLN + 23% VAT (3 321,00 PLN brutto)
Poprzednia najniższa cena:
2 700,00 PLN
2 700,00 PLN 3 321,00 PLN brutto

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

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

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

  • Szkolenie: polski
  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