Wprowadzenie do uczenia maszynowego

Poziom:

Początkujący

Trwanie:

3 dni

Daty

Zobacz dostępne terminy tego szkolenia!
Jeśli nie ma dostępnej daty i godziny na interesujące Cię szkolenie, proszę skontaktuj się z nami.

Zobacz terminy  >>

 

Szkolenie może się również odbyć u Ciebie lub jako szkolenie online, specjalnie dla Twojej firmy. W takim przypadku program szkolenia można również najlepiej dostosować do własnych potrzeb.
Dowiedz się więcej o naszych szkoleniach spersonalizowanych >>

 

Szkolenie trwa 3 dni po 8 godzin (na miejscu) lub 5 godziny (online).
Jedyna różnica polega na tym, że w szkoleniu online będzie mniej ćwiczeń praktycznych. Jednak przekażemy te ćwiczenia Tobie i nadal możesz je wykonać samodzielnie i poprosić naszych konsultantów o informację zwrotną lub pomoc w razie potrzeby.

Opis kursu

Ten kurs jest przeznaczony dla analityków technicznych lub menedżerów średniego szczebla, którzy są gotowi zrobić pierwsze kroki w uczeniu maszynowym.

Dynamika tego kursu obejmuje zarówno objaśnienie treści teoretycznych, jak i ćwiczenia praktyczne, ze szczególnym uwzględnieniem ostatniej części (60–65% kursu). Głównym celem jest, żeby uczestnicy mieli do czynienia z „prawdziwymi” problemami, doświadczali konsekwencji i nauczyli się wymyślać rozwiązania – prowadzone przez instruktora na wszystkich etapach tego procesu.

Publiczność

Analitycy/kierownicy techniczni z co najmniej 1-letnim doświadczeniem w programowaniu (najlepiej także w języku Python)

Konspekt szkolenia

Below you can find the topics that can be covered in this course. The actual choice of topics depends on the needs and interests of the course participants.

 

Uczenie maszynowe: wprowadzenie i objaśnienie głównych pojęć.

O Python/Jupyter

Przegląd głównych bibliotek Pythona do użycia

Analiza danych eksploracyjnych: w teorii

Analiza danych eksploracyjnych: w praktyce

Nadzorowane uczenie: wprowadzenie i objaśnienie głównych pojęć.

  • Wyjaśnienie procesu szkolenia: szkolenie/walidacja/testowanie, walidacja krzyżowa
  • Podsumowanie: regresja a klasyfikacja
  • Funkcje kosztów/strat
  • Co robi się podczas szkolenia? Minimalizacja funkcji strat. Przykładowe algorytmy
  • Ocena wydajności
  • Kroki do udanego budowania modelu

Regresja

 Klasyfikacja

  • Algorytmy klasyfikacji
  • Zestaw algorytmów
  • Ocena wydajności

Uczenie bez nadzoru

  • Algorytmy bez nadzoru
  • Zestaw algorytmów
  • Ocena wydajności

Od laboratorium do produkcji: wyzwania i typowe problemy

Znaczenie przetwarzania rozproszonego w uczeniu maszynowym

Wprowadzenie do sieci neuronowych

  • Definicja
  • Główne koncepcje
  • Demo Tensorflow Playground
  • Funkcje aktywacji
  • Proces szkolenia sieci neuronowych
  • Problemy Multi-class i Softmax
  • Konwolucyjna sieć neuronowa
  • Demo Keras i objaśnienie biblioteki Keras
  • Transfer Learning
  • Tuning hiperparametrów

Deep Learning: co to jest i gdzie można go zastosować?

Uczenie maszynowe w mojej organizacji: jak mogę wdrożyć uczenie maszynowe,, biorąc pod uwagę obecne problemy?

 

Skontaktuj się z nami, aby zapisać się na to szkolenie >>