Szkolenie Zaawansowane uczenie maszynowe w języku Python

Opis szkolenia

Intensywne szkolenie mające na celu rozwinięcie umiejętności praktycznych w zakresie uczenia maszynowego z wykorzystaniem języka Python. Uczestnicy przejdą przez cały proces tworzenia profesjonalnych rozwiązań, od definicji celu biznesowego, przez przygotowanie danych, aż po implementację zaawansowanych algorytmów i optymalizację modeli. Szkolenie łączy teorię z praktyką, umożliwiając uczestnikom zdobycie kompetencji niezbędnych do realizacji projektów z zakresu uczenia maszynowego.

Profil uczestnika

  • Analitycy danych, którzy uczyli się uczenia maszynowego samodzielnie i chcą uporządkować oraz pogłębić swoją wiedzę
  • Osoby znające teorię uczenia maszynowego, ale chcące zobaczyć, jak wygląda praktyczna realizacja projektów
  • Specjaliści pracujący z uczeniem maszynowym w innych językach, chcący przekwalifikować się na pracę z Pythonem
  • Osoby z podstawową wiedzą z uczenia maszynowego, chcące wejść na wyższy poziom kompetencji

Wymagane przygotowanie uczestnika

  • Podstawowa umiejętność programowania w języku Python
  • Podstawowa wiedza z zakresu uczenia maszynowego (modele regresji liniowej i logistycznej, drzewo decyzyjne, proces uczenia i testowania modeli)

Agenda

  • Definicja celu biznesowego
    • Profesjonalna ewaluacja klasyfikatorów: precyzja, czułość, miara F1, krzywa ROC i wskaźnik AUC
    • Definiowanie i implementacja autorskich metryk
    • Dobór metryki do celów biznesowych
  • Przygotowywanie danych do modelowania (feature engineering)
    • Kodowanie zmiennych kategorycznych
    • Obsługa braków danych
    • Transformacje zmiennych numerycznych
  • Profesjonalna implementacja procesów predykcyjnych z wykorzystaniem scikit-learn
    • Kluczowe konstrukty biblioteki scikit-learn: transformatory i estymatory
    • Potoki uczenia maszynowego (machine learning pipelines) – zasada działania
    • Implementacja podstawowych i złożonych potoków w scikit-learn
    • Optymalizacja konfiguracji potoków
    • Eksportowanie gotowego do użycia procesu predykcyjnego
  • Wykorzystanie zaawansowanych algorytmów 1: XGBoost
    • Czym jest boosting
    • Mechanizm działania i uczenia algorytmu XGBoost
    • Praktyczna optymalizacja hiperparametrów algorytmu
  • Wykorzystanie zaawansowanych algorytmów 2: sieci neuronowe
    • Mechanizm działania neuronu, funkcje aktywacji
    • Perceptron wielowarstwowy
    • Mechanizm uczenia sieci neuronowej
    • Konfiguracja i optymalizacja procesu uczenia
    • Wykorzystywanie sieci neuronowych jako algorytmy predykcyjne
  • Poprawa rozwiązania poprzez uwzględnienie niezbalansowania klas
    • Problem niezbalansowanych klas – opis zjawiska i praktyczne konsekwencje
    • Uwzględnienie problemu w procesie uczenia modeli – ważenie funkcji celu
    • Techniki repróbkowania obserwacji poprawiające jakość modeli w sytuacji niezbalansowanych klas
    • Augmentacja danych (sztuczne powiększanie zbioru uczącego)
  • Analiza i interpretacja rozwiązania, udoskonalanie rozwiązania poprzez selekcję cech
    • Ocena ważności cech na podstawie algorytmów liniowych i drzewiastych
    • Ocena ważności cech dla modeli typu black-box
    • Selekcja na podstawie ważności cech, selekcja współbieżna z uczeniem, selekcja krokowa
    • Filtrowanie zmiennych

Korzyści z uczestnictwa

  • Rozwinięcie praktycznych kompetencji poprzez realizację projektu od A do Z
  • Nauka profesjonalnej implementacji systemu predykcyjnego
  • Poznanie kluczowych funkcjonalności do pracy z algorytmami uczenia maszynowego w języku Python
  • Zrozumienie zaawansowanych algorytmów i technik uczenia maszynowego oraz ich efektywnego zastosowania w praktyce
  • Umiejętność radzenia sobie z problemem niezbalansowanych klas
  • Zdolność do analizy i interpretacji wyników oraz optymalizacji modeli

Zagadnienia

  • Ewaluacja klasyfikatorów i metryki
  • Feature engineering
  • Implementacja procesów predykcyjnych z scikit-learn
  • Algorytmy zaawansowane: XGBoost, sieci neuronowe
  • Radzenie sobie z niezbalansowanymi klasami
  • Selekcja cech i optymalizacja modeli

Poznaj naszą firmę

INFORMACJA CENOWA:
od 3000 zł netto za jedną osobę

CZAS TRWANIA (dni): 2

KOD SZKOLENIA: IT-PT-04

MASZ PYTANIA?

Jeśli potrzebujesz więcej informacji o tym szkoleniu, zadzwoń do nas +48 22 487 84 90 lub wyślij wiadomość.

REJESTRACJA




Udostępnij swoim znajomym