Wprowadzenie do uczenia maszynowego

Opis

Jednodniowe szkolenie wprowadzające do fundamentów uczenia maszynowego, które łączy teorię z praktyką. Podczas zajęć uczestnicy poznają podstawowe koncepcje i algorytmy ML poprzez praktyczne przykłady i ćwiczenia. Program realizowany jest w formie interaktywnych warsztatów, gdzie każde zagadnienie teoretyczne jest natychmiast weryfikowane poprzez samodzielną implementację.

Profil uczestnika

Program szkolenia jest dedykowany dla:
• Programistów chcących rozpocząć pracę w obszarze ML
• Analityków biznesowych zainteresowanych możliwościami ML
• Menedżerów projektów technologicznych
• Specjalistów IT planujących rozwój w kierunku AI
• Studentów kierunków technicznych
• Początkujących data scientists
• Osób zmieniających ścieżkę kariery w kierunku ML

Agenda

1. Podstawy uczenia maszynowego
• Rodzaje uczenia maszynowego
• Kluczowe pojęcia i definicje
• Typowe przypadki użycia
• Proces budowy modeli ML
2. Przygotowanie i analiza danych
• Eksploracyjna analiza danych
• Preprocessing danych
• Feature engineering
• Walidacja jakości danych
3. Podstawowe algorytmy
• Regresja liniowa i logistyczna
• Drzewa decyzyjne
• Algorytmy klasyfikacji
• Metody oceny modeli
4. Praktyczne aspekty ML
• Narzędzia i biblioteki
• Dobre praktyki
• Typowe problemy i rozwiązania
• Wdrażanie modeli ML

Korzyści

Po ukończeniu szkolenia uczestnik będzie rozumiał fundamentalne koncepcje i zasady działania uczenia maszynowego. Zdobędzie praktyczną wiedzę pozwalającą na rozpoczęcie pracy z podstawowymi algorytmami ML. Rozwinie umiejętność analizy i przygotowania danych do modelowania. Będzie potrafił ocenić jakość modelu i zinterpretować jego wyniki. Nauczy się identyfikować przypadki użycia, w których uczenie maszynowe może przynieść wartość biznesową. Pozna najważniejsze narzędzia i biblioteki wykorzystywane w projektach ML.

Wymagane przygotowanie uczestników

• Podstawowa znajomość matematyki i statystyki
• Znajomość programowania w dowolnym języku
• Umiejętność analitycznego myślenia
• Podstawy analizy danych

Zagadnienia

• Typy uczenia maszynowego
• Preprocessing danych
• Feature engineering
• Walidacja modeli
• Miary jakości
• Regresja i klasyfikacja
• Drzewa decyzyjne
• Overfit i underfit
• Cross-validation
• Wizualizacja danych
• Interpretacja wyników
• Narzędzia ML

Poznaj naszą firmę