Szkolenia

Eksploruj efektywnie swoje dane z pythonem cz. 1 - Machine learning na co dzień

Przeznaczenie szkolenia

Ten kurs ma na celu zapoznanie uczestników w praktyczny sposób z bieżącymi technikami i zagadnieniami uczenia maszynowego i ich zastosowaniami. Podczas zajęć uczestnik zapozna się z metodami klasyfikacji i klasteryzacji danych, selekcji i ekstrakcji cech, drzewami decyzyjnymi oraz sieciami neuronowymi. Uczestnik własnoręcznie pozna spektakularne zastosowania metod uczenia maszynowego, zaimplementowanych w oparciu o najwyższej klasy oprogramowanie - sklearn.

Odbiorca kursu

Szkolenie skierowane jest do:

• osób zainteresowanych wykorzystaniem pythona w codziennej pracy związanej z analizą danych, modelowaniem danych, robieniem wykresów statystycznych czy tworzeniem prezentacji/raportów z analizy, uczeniem maszynowym
• studentów wszystkich kierunków studiów technicznych, gdzie przeprowadzona jest analiza danych (np. z ankiet, pomiarów, zebranych wyników doświadczeń itd.) czy modelowanie statystyczne

Wymagania wstepne: wiedza z zakresu szkolenia „Wprowadzenie do codziennej pracy z pythonem w firmie”

Ilość godzin szkoleniowych: 3 dni – 3 x 8h

Konspekt kursu

Istota uczenia nadzorowanego i nienadzorowanego

• Reprezentacja wzorców
• Przetwarzanie wstępne
• Podobieństwo między obiektami
• Zadanie klasyfikacji nadzorowanej
  • Tryb uczenia
  • Tryb testowania
• Przykłady zadania klasyfikacji nadzorowanej

Klasyfikacja w oparciu podobieństwo do wzorca w przestrzeni cech

• Optymalny klasyfikator statystyczny
• Klasyfikator minimalno-odległościowy
• Klasyfikator kNN
• Liniowe metody klasyfikacji
  • Reguła minimalizacji błędu kwadratowego
• Walidacja klasyfikatora

Drzewa klasyfikacyjne

• Definicje
• Konstrukcja drzew klasyfikacyjnych
  • Kryterium stopu
  • Wybór testu
• Przycinanie drzewa

Metody redukcji wymiarowości przestrzeni cech

• Zmniejszanie wymiarowości przestrzeni poprzez ekstrakcję cech
  • Liniowa Analiza Dyskryminacyjna
  • Liniowa Dyskryminacja Fishera
  • Problem wielu klas
  • Metoda składowych głównych (PCA)
  • Dekompozycja na wartości osobliwe (SVD)
  • Metoda Cząstkowych Najmniejszych Kwadratów
• Zmniejszanie wymiarowości przestrzeni poprzez selekcje cech
  • Algorytmy sekwencyjne

Maszyny wektorów podpierających

• Liniowy klasyfikator SVM
  • Przypadek liniowo separowalny
  • Przypadek liniowo nieseparowalny
• Nieliniowy klasyfikator SVM

Ocena modelu, testowanie klasyfikatora

• Ocena modelu, testowanie klasyfikatora

Uczenie nienadzorowane

• Zadanie grupowania
• Reprezentacja danych
• Charakterystyka podejść do grupowania danych
  • Metody hierarchiczne
  • Metody optymalizacji funkcji kryterialnej
  • Algorytmy oparte na dopasowaniu modelu statystycznego
• Walidacja uczenia nienadzorowanego
  • Kryteria zewnętrzne oceny grupowania
  • Kryteria wewnętrzne oceny grupowania
  • Kryteria względne oceny grupowania

Sztuczne sieci neuronowe

• Podstawowe modele sieci neuronowych
  • Perceptron
    • Reguła uczenia perceptronu
    • Metoda największego spadku gradientu
  • Perceptron wielowarstwowy
    • Algorytm wstecznej propagacji błędów
  • Siec Hopfielda
  • Samoorganizujące się sieci Kohonena