Machine Learning w R

Opis szkolenia

    Po ukończeniu tego szkolenia uczestnik będzie potrafił:
    • Rozstrzygnąć, czy dany problem analityczny wymaga i dopuszcza zastosowanie metod uczenia maszynowego
    • Adekwatnie dobrać metodę uczenia maszynowego do problemu i struktury danych
    • Przygotować dane do analizy, m.in. tworząc zbiory treningowy i testowy
    • Uruchomić model w środowisku R i zinterpretować wyniki
    • Przeprowadzić analizę skupień / regresję wielozmiennową klasycznymi metodami nadzorowanymi i porównać jakość rozwiązania z modelem wygenerowanym z wykorzystaniem metod Machine Learning
    • Dostroić parametry modelu i ocenić jakość rozwiązania
    • Zastosować procedury służące poprawie rozwiązania i ocenić ich skuteczność
    • Samodzielnie pogłębiać wiedzę i doświadczenie w obszarze Machine Learning

Warunki uczestnictwa

Szkolenie jest kierowane do osób, które chcą w praktyce wykorzystywać metody uczenia maszynowego (Machine Learning) w celu rozwiązywania rzeczywistych problemów analitycznych.

Kurs przeznaczony jest dla osób z co najmniej podstawową, a najlepiej średniozaawansowaną znajomością R – tak, aby tłumaczenie składni języka lub znaczenia podstawowych funkcji nie odrywało nas od nauki nowych zagadnień. Do podjęcia zagadnień Machine Learning niezbędna jest wiedza z obszaru zawartego w programie kursu „Analiza danych z wykorzystaniem R – kurs podstawowy”, a udział w kursie średniozaawansowanym jest rekomendowany.

Terminy gwarantowane

Jeśli jakiś termin oznaczony jest jako gwarantowany to oznacza to że na 100% się odbędzie we wskazanym czasie i miejscu.
Więcej

Szkolenia online i udział online

Szkolenia online odbywają się na żywo z udziałem trenera. Grupy są równie nieliczne jak przy tradycyjnych stacjonarnych szkoleniach w JSystems i liczą zwykle 7-9 osób. W każdym szkoleniu stacjonarnym możesz brać udział online.
Więcej

Inne szkolenia tej kategorii

W ramach kategorii Język R mamy jeszcze wiele szkoleń. Sprawdź jakie!

Vouchery

Istnieje możliwość wykupienia vouchera z roczną ważnością. Można zakupić przedpłaconą usługę szkoleniową w jednym okresie rozliczeniowym, a zrealizować w innym.

Więcej
Szkolenie stacjonarne 1500,00 PLN (netto)
Udział online 1200,00 PLN (netto)
Czas trwania 3 dni

Czy wiesz, że możemy takie szkolenie zorganizować specjalnie dla Twojej firmy?

Dowiedz się więcej

Czego się nauczysz?

  1. Wprowadzenie
    • wyjaśnienie znaczenia często mylonych pojęć: sztuczna inteligencja (AI), Machine Learning i Deep Learning
    • na czym polega Machine Learning?
      • typy problemów, w których sprawdza się ML
      • wymagania wobec danych: zbiór treningowy i zbiór testowy
      • budowa i selekcja modeli
      • na czym polega i po co stosuje się pruning (przycinanie)?
      • rola doboru hiperparametrów modelu
    • obecne i prognozowane zastosowania Machine Learningu
  2. Klasyfikacja - metody nadzorowane: analiza skupień (clustring analysis)
    • zastosowania analizy skupień
    • przygotowanie danych do analizy skupień
    • clustering hierarchiczny: funkcja hclust()
    • clustering k-średnich: funkcja kmeans()
    • Mixture Models i inne metody clusteringu
    • selekcja rozwiązań i interpretacja wyników analizy skupień
  3. Klasyfikacja - metody nienadzorowane: modele predykcyjne
    • metoda k najbliższych sąsiadów (k-NN)
      • zastosowania i sposób działania
      • przykłady implementacji w R
    • metoda Naive Bayes
      • zastosowania i sposób działania
      • przykłady implementacji w R
    • drzewa decyzyjne: C5.0, algorytmy 1R i RIPPER, rule learners i inne
      • zastosowania i sposób działania
      • przykłady implementacji w R
  4. Modelowanie zależności - metody nadzorowane
    • model regresji jako narzędzie opisu i zarazem predykcji
    • regresja liniowa: lm(), glm()
    • interpretacja parametrów modelu
    • metody poprawy rozwiązania
    • regresja wielomianowa
    • dodawanie interakcji międzyzmiennowych do modelu
    • regresja logistyczna
  5. Modelowanie zależności - metody nienadzorowane
    • drzewa decyzyjne (decision trees & model trees)
      • zastosowania i sposób działania
      • przykłady implementacji w R
    • reguły asocjacji (association rules)
      • zastosowania i sposób działania
      • przykłady implementacji w R
  6. Dostrajanie hiperparametrów modelu (tuning)
    • ogólne reguły doboru hiperparametrów modelu
    • wykorzystanie pakietu caret do automatycznego dostrajania modelu
  7. Poprawa rozwiązań
    • metody poprawy rozwiązań: meta-learning: bagging & boosting
    • lasy losowe (random forests)
  8. Podsumowanie
    • czego jeszcze z obszaru ML warto się nauczyć?
    • przydatne materiały: książki, tutoriale, autoszkolenia i blogi

Najbliższe terminy tego szkolenia

Co wyróżnia szkolenia Język R w JSystems?

Szkolenia na wysokim poziomie
Instruktorzy praktycy z wieloletnim doświadcze- niem
Znaczna część szkolenia to warsztaty
Komfortowe sale i przestrzeń wspólna
Małe grupy szkoleniowe
Gwarantowane terminy szkoleń
Dużo ćwiczeń
Przystępne ceny

Potrzebujesz więcej informacji?

Wiadomość wysłana

Przyjęliśmy Twoją wiadomość i skontaktujemy się z Tobą w tej sprawie

Klikając OK wrócisz do formularza

Nasza strona korzysta z plików cookie. Możesz zmienić zasady ich używania lub zablokować pliki cookie w ustawieniach przeglądarki. Więcej informacji można znaleźć w Polityce prywatności. Kontynuując korzystanie ze strony, wyrażasz zgodę na używanie plików cookie.