Podstawy Machine Learning w Pythonie

Szkolenie wprowadzające do tematyki Machine Learning dla osób, które znają podstawy programowania w językach obiektowych. Uczestnicy poznają podstawowe modele ML, nauczą się jak je tworzyć, do jakich zadań są przeznaczone i jak wykorzystywać je jako części większych systemów. Szkolenie ma charakter wprowadzający, idealny dla osób, które chcą rozpocząć przygodę z tworzeniem rozwiązań opartych o sztuczną inteligencją i jednocześnie chcą zrozumieć ich działanie od podszewki.

Wymagania: znajomość podstaw Python, przydatna może okazać się znajomość podstaw statystyki i analizy (nie jest to warunek konieczny).

3 200 zł netto

Ukończyło: 45 osób

Szkolenie E-learning

Stacjonarnie (Warszawa)

Zdalnie (Teams)

Machine Learning w Pythonie - poziom podstawowy

lub Pobierz formularz zgłoszeniowy

Akceptujemy formy płatności: PayU, Faktura pro-forma, Faktura VAT po szkoleniu

Rozłóż na raty z

Czego się nauczysz?

Opisywać teorię i ograniczenia poszczególnych modeli

Wybierać model ML adekwatny do problemu

Przygotowywać odpowiednio dane dla procesu uczenia modelu

Budować i wytrenować model ML

Wykrywać i naprawiać typowe błędy pojawiające się w trakcie uczenia modeli ML

Oceniać jakość stworzonego modelu

Przygotowywać model do integracji z innymi aplikacjami

Zakres szkolenia

Pobierz zakres w PDF

Machine Learning - wprowadzenie teoretyczne

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

Narzędzia i środowisko pracy

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

Przygotowanie danych

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

Podstawy statystyki i algebry liniowej

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

Wprowadzenie do algebry liniowej:

Wektory i macierze
Operacje macierzowe w NumPy

Uczenie nadzorowane

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

Uczenie nienadzorowane

Klasteryzacja:

Algorytm K-means
Analiza hierarchiczna

Redukcja wymiarów:

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

Feature Engineering

Tworzenie nowych cech z istniejących danych

Wybór cech:

Analiza wariancji (ANOVA)
Wartości współczynnika korelacji
Usuwanie nieistotnych zmiennych

Modele zaawansowane

Wprowadzenie do lasów losowych (Random Forest)

Gradient Boosting (XGBoost, LightGBM)

Hyperparameter tuning:

Grid Search
Random Search

Wprowadzenie do sieci neuronowych

Podstawowe pojęcia:

Perceptron
Warstwy
Aktywacje

Wprowadzenie do TensorFlow i Keras

Budowanie prostych modeli sieci neuronowych

Wdrożenie i interpretacja modeli

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

Projekty i warsztaty

Projekt 1: Predykcja cen mieszkań (regresja)

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

Projekt 3: Analiza sentymentu (podstawy NLP)

Podsumowanie i dalsze kroki

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

Opinie firm i użytkowników

Wszystkie przeprowadzone do tej pory szkolenia zarówno te w formie stacjonarnej jak i zdalnej spotkały się z wysoką oceną uczestników, którzy zwracali uwagę na swobodny, ale również profesjonalny sposób prowadzenia szkoleń a także wysoki poziom merytoryczny trenerów oraz umiejętności cierpliwego i konsekwentnego tłumaczenia podstawowych zagadnień.

Dział Kadr i Szkoleń (British American Tobacco)
Trenerzy prowadzą szkolenia w sposób fachowy, rzetelny i dynamiczny. Przez uczestników szczególnie zostały docenione: sposób prowadzenia szkoleń i wysoki poziom merytoryczny prowadzącego. W związku z dobrze układającą się współpracą i obopólnym zadowoleniem, rekomenduję firmę Imperium Szkoleniowe jako dostawcę szkoleń stacjonarnych oraz zdalnych.

Specjalista ds. szkoleń (Play - P4)