Podstawy Machine Learning w Pythonie

Definicja i rodzaje uczenia maszynowego:

• Uczenie nadzorowane, nienadzorowane, półnadzorowane, uczenie ze wzmocnieniem
• Przykłady zastosowań Machine Learning

Proces tworzenia modelu Machine Learning:

• Zbieranie danych
• Przygotowanie danych
• Budowanie modelu
• Walidacja i ocena
• Wdrażanie

Instalacja i konfiguracja środowiska Python:

• Anaconda, Jupyter Notebook

Biblioteki używane w Machine Learning:

• NumPy, Pandas, Matplotlib, Seaborn
• Scikit-learn, TensorFlow, PyTorch (przegląd)
• Podstawy pracy w Jupyter Notebook

• Wczytywanie danych z plików CSV, Excel, SQL, itp.

Eksploracyjna analiza danych (EDA):

• Podstawowe statystyki opisowe
• Wizualizacja danych z Matplotlib i Seaborn

Czyszczenie danych:

• Obsługa brakujących danych
• Usuwanie i imputacja wartości odstających
• Normalizacja i standaryzacja danych
• Kodowanie zmiennych kategorycznych

• Średnia, mediana, odchylenie standardowe
• Zależności między zmiennymi: korelacja, współczynnik determinacji

Wprowadzenie do algebry liniowej:

• Wektory i macierze
• Operacje macierzowe w NumPy

Regresja liniowa:

• Teoria i implementacja w Pythonie
• Ocena modelu: MSE, RMSE, R²

Klasyfikacja:

• Regresja logistyczna
• Drzewa decyzyjne
• K-Nearest Neighbors (KNN)

Metryki oceny klasyfikacji:

• Accuracy
• Precision
• Recall
• F1-score

Walidacja modelu:

• Podział na zbiór treningowy i testowy
• Walidacja krzyżowa

Klasteryzacja:

• Algorytm K-means
• Analiza hierarchiczna

Redukcja wymiarów:

• PCA (Principal Component Analysis)
• Wizualizacja danych w 2D
• Odkrywanie wzorców w danych

Tworzenie nowych cech z istniejących danych

Wybór cech:

• Analiza wariancji (ANOVA)
• Wartości współczynnika korelacji
• Usuwanie nieistotnych zmiennych

Wprowadzenie do lasów losowych (Random Forest)

Gradient Boosting (XGBoost, LightGBM)

Hyperparameter tuning:

• Grid Search
• Random Search

Podstawowe pojęcia:

• Perceptron
• Warstwy
• Aktywacje

Wprowadzenie do TensorFlow i Keras

Budowanie prostych modeli sieci neuronowych

Serializacja modeli (pickle, joblib)

Interpretacja wyników modeli:

• SHAP (SHapley Additive exPlanations)
• LIME (Local Interpretable Model-agnostic Explanations)

Wprowadzenie do MLOps:

• Deployment modeli z Flask/Streamlit
• Monitoring i aktualizacja modeli

Projekt 1: Predykcja cen mieszkań (regresja)

Projekt 2: Klasyfikacja e-maili (spam/ham)

Projekt 3: Analiza sentymentu (podstawy NLP)

Podsumowanie kluczowych pojęć i technik

Omówienie dalszych materiałów do nauki:

• Książki, kursy online, dokumentacja bibliotek
• Plan rozwoju kariery w Machine Learning

Materiały dodatkowe:

• Gotowe notebooki z kodem
• Dane do ćwiczeń (publiczne zestawy danych, np. Kaggle, UCI Machine Learning Repository)
• Lista rekomendowanych źródeł naukowych i narzędzi