ul. Drukarska 18/5 30-348 Kraków
+48 12 376 95 08

Wprowadzenie do Machine Learning

2020-02-24 Kraków
Kod szkolenia
ADIT-ML-KR
Miejsce
Kraków
Czas
2020-02-24 do 2020-02-26
Cena
3 450,00 PLN Netto | 4 243,50 PLN Brutto

Zapisz się na szkolenie

Zgodnie z art. 6 ust. 1 a) ogólnego rozporządzenia o ochronie danych z dnia 27 kwietnia 2016r. wyrażam zgodę na przetwarzanie moich danych osobowych w celach związanych z powyższym zgłoszeniem przez Adit Sp. z o.o. z siedzibą w Kraków, ul. Drukarska 18/5. Podaję dane osobowe dobrowolnie i oświadczam, że są one zgodne z prawdą. Zapoznałem(-am) się z treścią polityki prywatności firmy Adit Sp z.o.o, w tym z informacją o celu przetwarzania danych osobowych oraz prawie dostępu do treści swoich danych i prawie ich poprawienia. Rozumiem, że w każdym momencie mogę wycofać swoją zgodę, a wycofanie zgody nie wpływa na zgodność z prawem przetwarzania, którego dokonano wcześniej. Wyrażam zgodę na otrzymywanie informacji handlowych, w tym dotyczących informacji produktowych, wydarzeń oraz szkoleń, przekazywanych przez Adit Sp. z o.o. zgodnie z ustawą o świadczeniu usług drogą elektroniczną (Dz.U. z 2018 r. poz. 650).

Dla kogo:

programiści, analitycy, architekci, CTO

Wymagania wstępne

Wymagania wstępne: Wymagana umiejętność programowania w podstawowym zakresie w dowolnym języku programowania. Szkolenie oparte jest o Pythona.

Wymagane wyposażenie uczestnika: własny laptop z dowolnym systemem operacyjnym, zainstalowanym Pythonem i odpowiednimi bibliotekami.

Dokładna instrukcja instalacji zostanie przesłana uczestnikom przed szkoleniem.

 

Czas trwania

3 dni po 8 godzin 

Zapewniamy

  • Salę szkoleniową,
  • Darmowe materiały szkoleniowe,
  • Certyfikat ukończenia szkolenia,
  • Poczęstunek w przerwach oraz lunch w każdy dzień szkoleniowy.

Szczegółowy program szkolenia

  1. Tooling

    1. Wersje Pythona

    2. Anaconda i conda

    3. Jupyter Notebook

    4. Wizualizacja danych z użyciem matplotlib

    5. Alternatywy dla Pythona

    6. IDE (PyCharm lub Visual Studio Code)

    7. Uruchamianie skryptów

  2. Niezbędnik Machine Learning

    1. Podstawowe pojęcia, nomenklatura

    2. Case Study (klasyfikacja)

    3. Klasy problemów

    4. Algorytm rozwiązania dowolnego problemu regresji i klasyfikacji

    5. Niedopasowanie i nadmierne dopasowanie

    6. Uczenie nadzorowane i nienadzorowane

  3. Modele liniowe

  4. Dobór reprezentacji danych

    1. Generowanie nowych cech na podstawie istniejących

    2. One-hot encoding

    3. Interakcje między cechami

    4. Metody automatycznej selekcji cech

  5. Cross walidacja

  6. Automatyczny tuning parametrów modelu

  7. Modele/algorytmy ML

    1. K-najbliższych sąsiadów

    2. Modele liniowe

    3. Regularyzacja L1 i L2

    4. Naive Bayes

    5. Sieci neuronowe

    6. SVM i kernel trick

    7. Drzewa decyzyjne

    8. Lasy losowe

    9. Boosting

  8. Klasyfikacja

    1. Regresja logistyczna

    2. Ocena klasyfikatora w klasyfikacji binarnej (dokładność, prezycja, czułość, f-score)

    3. Tablica pomyłek (confusion matrix)

    4. Błąd pierwszego i drugiego rodzaju

  9. Przegląd technik redukcji wymiarowości

  10. Przegląd technik klasteryzacji