Uczenie maszynowe w Pythonie

Najbliższe terminy tego szkolenia
Skuteczność
Program szkolenia
- Co to jest uczenie maszynowe?
- Statystyka a uczenie maszynowe
- Rodzaje problemów
- Przykładowe metody
- Rodzaje błędów popełnianych przez algorytmy
- Ekosystem uczenia maszynowego w Pythonie
- Regresja liniowa
- Najprostsza metoda predykcyjna
- Od jednej zmiennej do wielu
- Wstępna obróbka danych
- Walidacja predykcji
- Interpretacja ważności parametrów
- Regresja logistyczna
- Przewidywanie kategorii
- Różnica pomiędzy klasyfikacją a regresją
- Walidacja predykcji
- Interpretacja ważności parametrów
- Drzewa decyzyjne
- Jako ogólna metoda do klasyfikacji
- Kluczowe różnice pomiędzy metodami liniowymi
- Zjawisko przeuczania (overfitting) i jak mu przeciwdziałać
- Random Forest - jedna z najbardziej praktycznych metod
- Wprowadzenie do RF
- Ustalenia parametrów
- Wady i zalety RF w porównaniu z innymi metodami
- Przetwarzanie danych pod RF
- Ważność parametrów
- XGBoost - trudniejsze, ale i potężniejsze narzędzie
- Wprowadzenie do boosted trees
- Porównanie z RF - z zaletami i wadami
- Ustalanie hiperparametrów
- Metoda “grid search”
- Ważność parametrów
- Projekt
- Projekt end-to-end, od pozyskania danych do ich czytelnej prezentacji
- Praca w małym zespole
- Mentoring prowadzącego
Opis szkolenia
Szkolenie odbywa się na żywo z udziałem trenera. Nie jest to forma kursu video!Wstęp do uczenia maszynowego w najpopularniejszym środowisku - Pythonie. Będziemy używać interaktywnego środowiska Jupyter Notebook, pozwalającego na interaktywną pracą z danymi. Celem jest nabycie umiejętności praktycznego zastosowania uczenia maszynowego do typowych problemów z klasyfikacji i regresji. Wszystkie problemy będą przerabiane na rzeczywistych zbiorach danych. Wszystko w pakiecie scikit-learn - będącym kluczowym pakietem do uczenia maszynowego.
Szkolenie w pakiecie
To szkolenie jest też elementem pakietu szkoleń "Programista Python Data Science".

Sprawdź, co mówią o nas ci, którzy nam zaufali
Trenerzy kategorii Python







