Uczenie maszynowe w data science

Opis

Zaawansowane szkolenie łączące teorię uczenia maszynowego z praktycznymi aspektami data science. Program prowadzi uczestników przez pełen cykl projektu analitycznego, od zrozumienia problemu biznesowego, przez przygotowanie danych, aż po wdrożenie i monitorowanie modeli ML. Zajęcia realizowane są w formie warsztatów praktycznych, gdzie każde zagadnienie teoretyczne jest natychmiast weryfikowane poprzez pracę na rzeczywistych zbiorach danych i implementację rozwiązań w środowisku produkcyjnym.

Profil uczestnika

Program szkolenia jest dedykowany dla:
• Data scientists rozpoczynających pracę z uczeniem maszynowym
• Analityków danych chcących poszerzyć kompetencje o ML
• Specjalistów BI zainteresowanych zaawansowaną analityką
• Inżynierów danych pracujących przy projektach ML
• Programistów przechodzących w kierunku data science
• Badaczy zajmujących się analizą danych
• Statystyków wdrażających rozwiązania ML
• Specjalistów ds. modelowania predykcyjnego

Agenda

1. Metodyka projektów data science
• Definiowanie problemów biznesowych
• Planowanie procesu analitycznego
• Metodologie prowadzenia projektów DS
• Mierzenie sukcesu projektów ML
2. Przygotowanie i eksploracja danych
• Zaawansowane techniki preprocessingu
• Inżynieria cech dla modeli ML
• Analiza eksploracyjna danych
• Walidacja jakości danych
3. Modelowanie i ewaluacja
• Dobór algorytmów do problemów
• Strojenie hiperparametrów
• Techniki walidacji modeli
• Interpretacja wyników
4. Wdrożenie i utrzymanie
• Pipeline ML w produkcji
• Monitoring wydajności modeli
• Zarządzanie wersjami modeli
• Aktualizacja i retraining

Korzyści

Po ukończeniu szkolenia uczestnik będzie potrafił samodzielnie prowadzić projekty łączące data science z uczeniem maszynowym. Zdobędzie głęboką wiedzę o przygotowaniu danych i inżynierii cech dla różnych typów modeli ML. Rozwinie umiejętność doboru i optymalizacji algorytmów uczenia maszynowego do konkretnych problemów biznesowych. Nauczy się projektować i implementować skalowalne rozwiązania ML w środowisku produkcyjnym. Będzie potrafił efektywnie monitorować i utrzymywać wdrożone modele. Zyska praktyczne doświadczenie w interpretacji i prezentacji wyników analiz dla interesariuszy biznesowych.

Wymagane przygotowanie uczestników

• Znajomość podstaw statystyki i prawdopodobieństwa
• Doświadczenie w programowaniu w Pythonie
• Podstawowa wiedza z zakresu analizy danych
• Znajomość podstaw uczenia maszynowego

Zagadnienia

• Metodologie prowadzenia projektów DS
• Zaawansowany preprocessing danych
• Feature engineering
• Model selection
• Hyperparameter optimization
• Cross-validation
• Model deployment
• Monitoring modeli ML
• Version control w DS
• Pipeline automation
• Model interpretability
• Performance metrics

Poznaj naszą firmę