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
- Perceptron
Najbliższe szkolenie
Do uzgodnienia. Osoby zainteresowane szkoleniem, prosimy o wysłanie formularza zgłoszeniowego.