Szkolenie Zaawansowane uczenie maszynowe w języku Python
Praktyczne informacje o szkoleniu
- KATEGORIA: Technologie
- KOD SZKOLENIA: IT-PT-04
- CZAS TRWANIA: 2 dni
- INFORMACJA CENOWA od: 3000 zł netto za jedną osobę
- RODZAJ SZKOLENIA: szkolenie zamknięte
- JĘZYK SZKOLENIA: polski
- FORMA REALIZACJI: stacjonarna, online
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
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
- 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
Wymagane przygotowanie uczestników
- Podstawowa umiejętność programowania w języku Python
- Podstawowa wiedza z zakresu uczenia maszynowego (modele regresji liniowej i logistycznej, drzewo decyzyjne, proces uczenia i testowania 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
Masz pytania?
Zapraszamy do kontaktu
Klaudia Janecka
+48 539 064 686
klaudia.janecka@eitt.pl
ul. Ząbkowska 3103-736 Warszawa
Organizacja szkolenia
- Minimalna liczba uczestników: 4 osób
- Maksymalna liczba uczestników: 12 osób
- Miejsce: siedziba klienta lub wskazana lokalizacja
- Czas trwania każdego dnia: 8 godzin zegarowych (9:00-17:00)
Formy realizacji szkolenia
Szkolenie stacjonarne
- Szkolenie w siedzibie klienta lub wskazanej lokalizacji
- Sala szkoleniowa wyposażona w niezbędny sprzęt
- Materiały szkoleniowe w formie elektronicznej
- Przerwy kawowe i lunch
- Bezpośrednia interakcja z trenerem
- Networking w grupie
- Ćwiczenia warsztatowe w zespołach
Szkolenie zdalne
- Wirtualne środowisko szkoleniowe
- Materiały w formie elektronicznej
- Interaktywne ćwiczenia online
- Breakout rooms do pracy w grupach
- Wsparcie techniczne podczas szkolenia
- Nagrania sesji (opcjonalnie)
Możliwość dofinansowania
Szkolenie może zostać sfinansowane ze środków publicznych w ramach:
- Krajowego Funduszu Szkoleniowego (KFS)
- Bazy Usług Rozwojowych (BUR)
- Projektów unijnych realizowanych przez PARP
- Programu Akademia HR (PARP)
- Regionalnych programów operacyjnych
W przypadku zainteresowania dofinansowaniem, nasz zespół pomoże w przygotowaniu wymaganej dokumentacji.
MASZ PYTANIA?
Skontaktuj się z nami, aby uzyskać więcej informacji o naszych szkoleniach, programach oraz współpracy. Chętnie odpowiemy na wszystkie Twoje zapytania!
Zaufali nam
Poznaj naszą firmę

Masz pytania?
Zapraszamy do kontaktu
Klaudia Janecka
+48 539 064 686
klaudia.janecka@eitt.pl
ul. Ząbkowska 3103-736 Warszawa
FAQ — Często zadawana pytania
- Zaproszenie w formie one-pager’a z terminami
- Kick-off projektu
- Strategiczne przywództwo i myślenie
- Komunikacja i współpraca. Zarządzanie konfliktem
- Motywowanie, angażowanie i trudne decyzje w biznesie
- Zarządzanie zmianą i innowacjami. Przywództwo w kryzysie
- Budowa organizacji przyszłości
- Warsztat dobrych praktyk – retrospektywa; stworzenie spójnego programu dla średniego i niższego szczebla zarządzania