Agenda szkolenia
  1. Wprowadzenie praktyczne
    • Środowisko PyCharm
    • Podstawy NumPy
    • Wczytywanie danych
    • Podstawy Pandas
    • "Hello world" uczenia maszynowego czyli klasyfikacja irysów
  2. Przygotowanie danych (praktyka)
    • Podstawy eksploracji danych
    • Podstawy wizualizacji danych
    • Kodowanie cech
    • Braki w danych
    • Standaryzacja cech
    • Selekcja cech/redukcja wymiarowości
  3. Podstawy uczenia maszynowego (praktyka)
    • Podział danych na zbiór treningowy, walidacyjny i testowy
    • Regresja liniowa
    • Regresja logistyczna
    • Miary jakości modelu
    • Losowość i replikaja wyników
    • Kroswalidacja
    • Optymalizacja hiperparametrów (grid search, random search)
  4. Klasyczne algorytmy uczenia maszynowego
    • Algorytm K najbliższych sąsiadów
    • Drzewa decyzyjne
    • Lasy losowe
    • Maszyna wektorów nośnych (SVM)
    • Klasteryzacja: algorytm k-średnich
  5. Sztuczne sieci neuronowe
    • Implementacja sieci neuronowej z użyciem pakietu scikit-learn
    • Uczenie batchowe a uczenie online
    • Wprowadzenie do uczenia głębokiego (deep learning)
    • Implementacja głębokiej sieci neuronowej z użyciem pakietu Keras