Python do uczenia maszynowego - kurs 49 990 RUB. od Specjalisty, szkolenie, Data: 27.11.2023.

Kurs koncentruje się na wykorzystaniu języka Python w technologiach uczenia maszynowego. Omówiono główne biblioteki wykorzystywane w uczeniu maszynowym oraz metody ich wykorzystania.
Kurs prowadzony jest w oparciu o biblioteki uczenia maszynowego Scikit-Learn i TensorFlow. W procesie uczenia się aktywnie wykorzystywane są narzędzia programistyczne Jupyter Notebook i Jupyter-Lab. Wykorzystywane są także zasoby chmury obliczeniowej Google Colab.
Kurs rekomendowany dla programistów Pythona i specjalistów data science.

Nauczysz się:
stosować technologie uczenia maszynowego;
stosować modele klasyfikacji, regresji, grupowania;
stosować metody wstępnego przetwarzania danych i osłony uczenia maszynowego;
wybierać modele uczenia maszynowego w oparciu o jakość swojej pracy;
pogłębiaj swoją wiedzę o Pythonie, opanuj nowoczesne narzędzia do tworzenia modeli uczenia maszynowego.

Moduł 1. Omówienie problemu uczenia maszynowego (2 ac. H.)
Trzy rodzaje uczenia maszynowego.
Schemat budowy systemów uczenia maszynowego.

Niezbędne narzędzia.
Przećwicz tworzenie środowiska pracy i korzystanie z Anacondy i Jupyter Notebook.
Moduł 2. Szkolenie z nauczycielem. Problem klasyfikacji (6 ak. H.)
Pojęcie sieci neuronowej.
Perceptron. Definicja, wdrożenie i szkolenie.
Adaptacyjny neuron liniowy. Definicja, wdrożenie i szkolenie.
Metoda gradientowa.
Stochastyczne zejście gradientowe w adaptacyjnym neuronie liniowym.
Dynamiczne uczenie się na dużych zbiorach danych.
Ćwicz z modelami i zbiorami danych Scikit-Learn.
Ćwicz w notatniku Jupyter.
Moduł 3. Biblioteka scikit-learn, jej główne cechy (6 ac. H.)
Trening perceptronowy.
Metoda regresji logistycznej.
Maszyna wektorów nośnych.
Metoda k-najbliższych sąsiadów.
Drzewa decyzyjne.
Zespół dowolnych drzew.
Ćwicz w notatniku Jupyter.
Moduł 4. Szkolenie z nauczycielem. Problem regresji (6 ak. H.)
Szkolenie z nauczycielem. Problem regresji.
Regresja liniowa.
Metoda najmniejszych kwadratów.
Metoda gradientowa.
Praca z emisjami. Algorytm RANSAC().
Technika bootstrap dla współczynników regresji.
Ocena jakości modelu regresji.
Podstawy regresji nieliniowej.
Ćwicz w notatniku Jupyter.
Moduł 5. Wstępne przetwarzanie danych, wybór cech i modeli (6 ac. H.)
Postępowanie z brakującymi danymi.
Kategorie przetwarzania.
Modele przetwarzania wstępnego i uczenia.
Wybór istotnych cech.
Eksplorowanie istotnych funkcji przy użyciu losowych lasów.
Potoki uczenia maszynowego.
Walidacja krzyżowa i wybór modelu.
Ćwicz w notatniku Jupyter.
Moduł 6. Nauka bez nauczyciela. Analiza skupień (6 ac. H.)
Metoda K-średnich.
Analiza głównych składowych.
Liniowa analiza dyskryminacyjna.
Klastrowanie hierarchiczne.
Grupowanie według gęstości.
Ćwicz w notatniku Jupyter.
Moduł 7. Podstawy głębokiego uczenia się (8 ac. H.)
Wykresy i obliczenia rozproszone.
Instalowanie Tensorflowa.
Tensory.
Zestawy danych.
Interfejs aplikacji (API) Keras.
Regresja liniowa ze stochastycznym spadkiem gradientowym.
Klasyfikacja za pomocą dwuwarstwowej sieci neuronowej danych Iris.
Funkcje aktywacji warstw neuronowych.
Klasyfikacja danych MNIST.
Praktykuj w Google Colab.