Uczenie Maszynowe

Zdobądź umiejętności pozwalające na wykorzystywanie uczenia maszynowego w praktyce

Dlaczego kurs Uczenie maszynowe?

Uczenie maszynowe jest fundamentem czwartej rewolucji przemysłowej, polegającej na upowszechnieniu się inteligentnych systemów i urządzeń. W dzisiejszych czasach każdy duży biznes wykorzystuje samodzielnie uczące się algorytmy, a coraz więcej małych biznesów rozwija swoją działalność w oparciu o tę technologię. Uczenie maszynowe stosowane jest właściwie w każdej branży – od marketingu i systemów rekomendacyjnych, poprzez sprzedaż i bankowość, a kończąc na przemyśle i zastosowaniach w naukach przyrodniczych i medycynie. To sprawia, że kompetencje w tym obszarze są niezwykle cenne, a rozwiązywanie rzeczywistych problemów z ich wykorzystaniem – niezwykle ciekawe.

Co otrzymuje kupując kurs e-learning Uczenie maszynowe?

• Aktualną wiedzę na temat najważniejszych algorytmów uczenia maszynowego stosowanych w praktyce.
• Kompleksowe omówienie uczenia maszynowego – solidnie przerobiona teoria i praktyka w jednym kursie.
• Świetnie zorganizowaną ścieżkę rozwoju w obszarze uczenia maszynowego.
• Kurs pozwalający zdobyć, kompetencje praktyczne w rozwiązywaniu rzeczywistych problemów biznesowych.
• Najwyższą jakość materiałów dydaktycznych i niezwykle starannie ułożony program kursu.

Cel kursu Uczenie maszynowe:

• Kurs ten wprowadzi Cię od zupełnych podstaw w świat algorytmów uczących się z danych i da Ci wiedzę i umiejętności pozwalające na wykorzystywanie uczenia maszynowego w praktyce.
• Kurs realizowany jest w języku Python, który jest wiodącym językiem programowania w obszarze zastosowań uczenia maszynowego. Cały kurs opiera się na wykorzystaniu biblioteki scikit-learn – jednej z najważniejszych istniejących bibliotek do uczenia maszynowego.

PROGRAM KURSU

Wprowadzenie

• Organizacja pracy
• Środowisko pracy
• Wprowadzenie do przeprowadzania obliczeń w bibliotece numpy
• Wprowadzenie do przetwarzania danych w bibliotece pandas
• Wprowadzenie do wizualizacji danych w bibliotece matplotlib
• Czym jest uczenie maszynowe?

Matematyczne podstawy uczenia maszynowego

• Funkcja liniowa jednej i wielu zmiennych
• Funkcje nieliniowe wykorzystywane w uczeniu maszynowym
• Problem optymalizacji i obliczenia numeryczne – podstawy uczenia się algorytmów
• Zmienne losowe i rozkłady prawdopodobieństwa
• Modelowanie zależności między zdarzeniami – rozkłady warunkowe

Model regresji liniowej

• Model regresji dla jednej zmiennej, algorytm dopasowania modelu
• Ocena dopasowania modelu do danych, współczynnik determinacji R2
• Modelowanie zależności nieliniowych
• Regresja liniowa dla wielu zmiennych
• Ewaluacja graficzna dopasowania modelu
• Typowe przekształcenia danych poprawiające jakość modelu
• Problem nadmiernego dopasowania oraz badanie jakości predykcji
• Regularyzacja modelu

Drzewa decyzyjne

• Mechanizm działania
• Proces uczenia drzew decyzyjnych
• Regulacja wielkości drzewa
• Drzewo decyzyjne dla klasyfikacji wieloklasowej
• Drzewo regresyjne

Tworzenie rozwiązań problemów predykcyjnych w praktyce – automatyzacja, optymalizacja, ewaluacja

• Praktyczne metody oceny jakości algorytmów
• Optymalizacja modeli
• Kroswalidacja
• Automatyzacja procesów predykcyjnych w scikit-learn – pipelines

Model regresji logistycznej

• Mechanizm modelu
• Algorytm uczenia
• Interpretacja modelu – ocena wpływu zmiennych na predykcje
• Regularyzacja
• Regresja logistyczna dla klasyfikacji wieloklasowej

Case study – przygotowanie danych i metodologia rozwiązywania problemów biznesowych

• Dobór danych do modelowania
• Obsługa zmiennych kategorycznych
• Obróbka danych – feature engineering
• Automatyzacja złożonych procesów przetwarzania danych w scikit-learn
• Metodologia wytwarzania rozwiązań opartych na algorytmach uczenia maszynowego

Pozostałe najważniejsze algorytmy predykcyjne

• Naiwny Klasyfikator Bayesa
• SVM
• Las losowy, bagging, boosting
• KNN

Ocena ważności i algorytmy selekcji zmiennych

• Ocena ważności zmiennych
• Selekcja współbieżna z uczeniem
• Selekcja krokowa
• Filtrowanie zmiennych

Typowe problemy z rzeczywistymi danymi i techniki radzenia sobie z nimi

• Problem niezbalansowanych danych
• Obsługa braków danych
• Wykrywanie obserwacji odstających

Modelowanie danych specyficznych rodzajów

• Dane tekstowe
• Dane czasowe

Algorytmy grupowania danych

• Algorytm K-Średnich
• Grupowanie hierarchiczne
• DBSCAN

Redukcja wymiarowości

• Rozkład SVD
• Analiza Składowych Głównych – PCA
• Różne konteksty zastosowań redukcji wymiaru

Zaawansowane algorytmy uczenia maszynowego

• Algorytm XGBoost: mechanizm działania i proces uczenia
• Algorytm XGBoost: efektywna optymalizacja hiperparametrów
• Sieci neuronowe: perceptron wielowarstwowy – struktura i mechanizm działania
• Sieci neuronowe: proces uczenia sieci

Przeczytaj opinie o kursie

⭐⭐⭐⭐⭐
Nic dodać, świetnie poprowadzone nagrania z Norbertem, widać jego ogromne doświadczenie.

⭐⭐⭐⭐⭐
Dobrze wytłumaczone zajęcia, spokój, merytoryka, kultura. Dziękuję!

Dlaczego warto zainwestować w kurs Uczenie maszynowe?

Kompleksowość

opanujesz uczenie maszynowe od każdej strony: teoretycznej, inżynierskiej i praktycznej

 

Praktyka

znajomość algorytmów to tylko część sukcesu, dlatego istotną częścią kursu jest rozwiązywanie rzeczywistych problemów

 

Inżynieria

Nauczysz się profesjonalnie implementować wszystkie poznane algorytmy i techniki.

 

Zakres kursu

optymalnie dobrany zestaw zagadnień – dokładnie taki, jaki powinien znać każdy, kto chce rzetelnie stosować uczenie maszynowe w praktyce

 

Przystępny przekaz

nawet zaawansowane zagadnienia będą omówienia w sposób klarowny, pozwalający na rzetelne zrozumienie całej dziedziny

 

Program kursu

bardzo starannie ułożony program sprawia, że kolejność przerabiania materiału zaplanowana jest tak, aby zmaksymalizować efektywność nauki

 

Solidna wiedza

bez dobrego zrozumienia tego, jak działają algorytmy, nie da się ich efektywnie stosować w praktyce i dlatego dbamy o dokładne omówienie każdego zagadnienia

 

Język Python i biblioteka scikit-learn

na kursie nauczysz się korzystać z wiodącego języka i najważniejszej biblioteki w branży data science

 

Ćwiczenia

dzięki przemyślanie dobranym ćwiczeniom będziesz efektywnie i z przyjemnością zdobywał praktyczne kompetencje

Poznaj autora – Norberta Ryciaka

Machine Learning Engineer i Data Scientist. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning). W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów – rozpoznawaniem wydźwięku i analizą składniową. Porzucił karierę naukową na rzecz pracy komercyjnej oraz profesjonalnej pracy dydaktycznej. Prowadzi szkolenia i zajęcia na uczelniach, ale przede wszystkim kieruje kursem Kodołamacza Data Science PRO, na którym kształci przyszłych specjalistów data science.

Poznaj recenzenta kursu

dr Paweł Teisseyre

Pracuje jako adiunkt w Instytucie Podstaw Informatyki PAN oraz na Wydziale Matematyki i Nauk Informacyjnych PW gdzie prowadzi zajęcia dydaktyczne z zakresu uczenia maszynowego, statystyki i analizy danych. Jego zainteresowania naukowe obejmują takie zagadnienia jak: metody klasyfikacji i regresji, metody uczenia na podstawie danych częściowo etykietowanych, problemy selekcji zmiennych w danych wysoko-wymiarowych, wykrywanie interakcji między zmiennymi, analiza danych medycznych. Jest autorem lub współautorem publikacji naukowych w renomowanych czasopismach z dziedziny uczenia maszynowego.