Machine Learning Bootcamp w języku Python cz.I - od A do Z

<div>Czy chcesz opanować uczenie maszynowe w praktyce, wykorzystując język Python i popularne biblioteki takie jak scikit-learn, pandas i matplotlib? Ten kurs to kompleksowe wprowadzenie do nadzorowanego uczenia maszynowego – od podstaw po bardziej zaawansowane techniki.</div><div><br></div><div>Ten kurs został zaprojektowany z myślą o osobach początkujących i średniozaawansowanych, które chcą zdobyć solidne podstawy w uczeniu maszynowym (machine learning) oraz zrozumieć, jak budować modele predykcyjne na prawdziwych danych. Przejdziesz krok po kroku przez cały proces tworzenia modelu: od przygotowania danych, przez eksploracyjną analizę danych, wybór modelu, trenowanie, walidację, aż po ocenę jego skuteczności i interpretację wyników.</div><div><br></div><div>W trakcie kursu nauczysz się między innymi:</div><div><ul><li><span style="font-size: 1rem;">Czym jest uczenie nadzorowane i jakie są jego typy (regresja i klasyfikacja)</span></li><li><span style="font-size: 1rem;">Jak działają popularne algorytmy: regresja liniowa, regresja logistyczna, drzewa decyzyjne, Random Forest, KNN, SVM</span></li><li><span style="font-size: 1rem;">Jak korzystać z biblioteki scikit-learn do implementacji modeli</span></li><li><span style="font-size: 1rem;">Jak przeprowadzać inżynierię cech i przetwarzanie danych</span></li><li><span style="font-size: 1rem;">Jak unikać przeuczenia (overfittingu) i jak oceniać skuteczność modelu</span></li><li><span style="font-size: 1rem;">Dzięki wielu ćwiczeniom praktycznym oraz projektom opartym na realnych zbiorach danych, zdobędziesz nie tylko teoretyczną wiedzę, ale przede wszystkim praktyczne umiejętności potrzebne na rynku pracy. Dołącz do kursu i rozpocznij swoją przygodę z Machine Learning już dziś!</span></li></ul></div><div><span style="font-size: 1rem;">Uczenie nadzorowane – Gdy dane uczą z pomocą etykiet</span></div><div><br></div><div>Uczenie nadzorowane to jedna z głównych metod uczenia maszynowego, w której model uczy się na podstawie danych wejściowych oraz odpowiadających im etykiet (czyli oczekiwanych wyników). Celem jest nauczenie modelu przewidywania lub klasyfikacji nowych, nieznanych danych na podstawie wzorców wykrytych w danych treningowych. Technika ta znajduje zastosowanie między innymi w rozpoznawaniu obrazów, analizie tekstu, prognozowaniu czy wykrywaniu oszustw.</div>

What you'll learn:

• wprowadzenie do uczenia maszynowego
• biblioteki Python dla uczenia maszynowego
• przepływ pracy przy tworzeniu modeli uczenia maszynowego
• przetwarzanie i przygotowanie danych do modelu
• zbiór treningowy, walidacyjny i testowy
• problemy regresji i klasyfikacji
• regresja liniowa, wielomianowa i drzewa decyzyjnego
• regresja logistyczna, algorytm K-najbliższych sąsiadów, drzewo decyzyjne, las losowy, SVM, Naive Bayes
• ocena i optymalizacja modeli - walidacja krzyżowa, przeszukiwanie siatki (grid search)
• niedouczenie i przeuczenie
• 3 x case studies