Kurs Machine Learning
poziom podstawowy
tryb zdalny | 80 godzin
Pierwszy krok do kariery Data Scientist!
O uczeniu maszynowym słyszymy z każdej strony. Algorytmy rozpoznawania twarzy, mowy, czy sieci neuronowe to zagadnienia, które w dużej mierze wpływają na rozwój IT. Podczas kursu Machine Learning na poziomie podstawowym poznasz zarówno proste algorytmy klasyfikacji czy regresji, jak i te bardziej skomplikowane.
Kurs obejmuje również podstawy programowania w języku Python - dowiesz się, jak napisać od podstaw prostą aplikację używając tego popularnego języka programowania, a następnie jak wykorzystać go do praktycznego zastosowania Machine Learningu.
Ciekawostka: Czy wiedziałeś, że poszukiwanie Data Scientist bywa porównywane do łowów na jednorożca? Wynika to z kombinacji cech, które powinien posiadać wymarzony kandydat - od zdolności programistycznych, poprzez matematyczno-analityczny umysł, na znajomości uczenia maszynowego kończąc.
Dlaczego warto?
-
Uczenie Maszynowe wykorzystywane jest obecnie w wielu firmach z różnych sektorów gospodarki, a liczba zastosowań oraz popyt na usługi z nim związane wciąż rośnie
-
Machine Learning oraz Data Science są obecnie bardzo popularnym trendem technologicznym
-
Idealna ścieżka dla osób, które chcą łączyć w pracy zagadnienia matematyczne, statystyczne oraz programistyczne
-
Jest to dobry moment na rozpoczęcie nauki Machine Learningu ze względu na relatywnie małą konkurencję na rynku pracy ( w porównaniu np. do JAVA developerów czy testerów oprogramowania)
-
Praca z najnowocześniejszymi i najciekawszymi tematami w nauce, takimi jak sztuczna inteligencja, robotyka, badanie DNA
Ilość godzin: 80h, zajęcia praktyczno – teoretyczne
Wielkość grupy: maksymalnie 12 uczestników
Prowadzący: kurs w całości prowadzony przez jego twórców – aktywnych, branżowych praktyków z doświadczeniem w nauczaniu
Forma zajęć: kurs wieczorowy, 3 razy w tygodniu, 17:30 – 20:30
Miejsce szkolenia: tryb stacjonarny - sala w centrum Wrocławia, tryb zdalny - wideokonferencje na platformie Zoom
Wymagania sprzętowe: własny laptop - wymagania minimalne: procesor intel i3 (lub odpowiednik), 4GB pamięci RAM. Dodatkowo w trybie zdalnym: zestaw słuchawkowy z mikrofonem i kamerka internetowa
Jakub Polak
prowadzący kursu
Twórca programu kursu oraz trener z wieloletnim doświadczeniem w nauczaniu. Kuba jest aktywnym, branżowym praktykiem - aktualnie zajmuje się analityką Big Data, tematyką User Experience oraz wizualizacją danych. Od lat związany z Web Developmentem.
Tomasz Drab
prowadzący kursu
Programista z kilkuletnim doświadczeniem. Doktorant na Uniwersytecie Wrocławskim, gdzie bierze udział w badaniach związanych z programowaniem funkcyjnym i rachunkiem lambda. Od dawna zainteresowany metodami przekazywania wiedzy ze szczególnym uwzględnieniem przedmiotów ścisłych.
Zagadnienia
Podstawy Pythona
-
dlaczego popularność Pythona tak szybko rośnie?
-
podstawy języka Python
-
instrukcje warunkowe
-
pętle
-
instalacja i importowanie modułów
-
wczytywanie danych z pliku
Podstawy bibliotek używanych w Machine Learningu
-
podstawy bibliotek scikit-learn, Numpy, Pandas, Matplotlib i SciPy (teoria i praktyka)
Przykłady użycia Machine Learningu
-
algorytmy Machine Learningu pokazane na praktycznych przykładach
Metody ewaluacji modeli Machine Learningu
-
metody ewaluacji wyników działania modeli dla klasyfikacji i regresji
Importowanie i preprocessing danych
-
wczytywanie danych z plików o różnych rozszerzeniach
-
jak radzić sobie z brakiem wartości lub nieoczekiwaną wartością?
-
jak preprocesować dane w postaci kategorii?
Regresja liniowa
-
wstęp do regresji liniowej
-
regresja liniowa wielokrotna
-
ewalucja wyników modelu
-
projekt
Regresja wielomianowa
-
wstęp do regresji wielomianowej
-
przykład Overfittingu
-
praktyczne zastosowanie i projekt
Drzewa decyzyjne
-
wstęp do zagadnienia drzew decyzyjnych
-
wprowadzenie teoretyczne
-
pojęci Entropii
-
algorytm tworzenia drzewa decyzyjnego
-
algorytm Random Forest
-
projekt dla algorytmów drzew decyzyjnych i Random Forest
Klasyfikacja K-NN
-
wstęp do klasyfikacji
-
wprowadzenie teoretyczne
-
algorytm K-NN i własna implementacja
-
algorytm rekomendacji przy użyciu K-NN
-
metody ewaluacji wyników klasyfikacji
-
praktyczne zastosowanie i projekt
Reguły koszykowe (asocjacyjne)
-
wstęp do reguł koszykowych
-
wprowadzenie teoretyczne
-
rekomendacje podobnych produktów przy użyciu algorytmu Apriori
-
praktyczne zastosowanie i projekt
Dalszy kierunek rozwoju
-
wskazanie dalszych kierunków do rozwoju w tematyce Machine Learningu
Czego wymagamy?
Podstawowa znajomość programowania w Pythonie (pętle, instrukcje warunkowe, kolekcje) - rekomendowana
Podstawowa wiedza z matematyki
Chęć do nauki!
Cena i zapisy
Aktualnie nie prowadzimy naboru na kurs Machine Learning. Jeśli jednak interesuje Cię wzięcie udziału w szkoleniu, skontaktuj się z nami - zobaczymy, co da się zrobić! Warunkiem wystartowania grupy będzie zebranie minimum 8 chętnych uczestników.