Szkolenie skierowane jest do osób które zamierzają bądz chcą rozszerzyć i udoskonalić maszynowe uczenie w Python. Praktyczny wymiar szkolenia i aktualna wiedza sprawi że po szkoleniu będziesz potrafił z sukcesem stosować machine learning w praktyce.

• Zrozumiesz koncepcje i pojęcia wykorzystywane w maszynowym uczeniu
• Nauczysz się efektywnie stosować algorytmy maszynowego uczenia w Python
• Poznasz dostępne modele i narzędzia do prowadzenia analiz
• Nauczysz się wybierać odpowiednie podejście do problemu
• Dowiesz się jak radzić sobie z brakującymi oraz odstającymi obserwacjami
• Poznasz techniki tworzenia zbiorów uczących i testowych
• Nauczysz się prawidłowo przeprowadzić walidację modelu
• Zobaczysz w jaki sposób dobierać zmienne i estymatory

Wprowadzenie do Machine learning

1. Podstawy machine learning
   • Machine learning vs Statistical learning
   • Supervised vs Unsupervised
   • Algorytmy maszynowego uczenia
   • Klasyfikacja, Asocjacje, Klastrowanie, Wykrywanie Anomalii
   • Jak wybrać poprawny algorytm uczenia
   • Wykorzystanie maszynowego uczenia
   • Zbiory uczące i treningowe
   • Walidacja modelu
   • Mierzenie jakości prognostycznej algorytmów
   • Bias vs Variance – kompromis w machine learning

Machine learning z wykorzystaniem języka Python

1. Przygotowanie Python do maszynowego uczenia
   • Dystrybucje Python do machine learning
   • Biblioteki Python wykorzystywane w maszynowym uczeniu
     • NumPy
     • SciPy
     • Matplotlib
     • pandas
     • Scikit-learn
     • IPython
   • Instalacja dodatkowych bibliotek
   • Korzystanie z dokumentacji bibliotek
   • IDLE
   • Praca w Python z wykorzystaniem IPython Notebooks
   • Gdzie szukać pomocy i dodatkowych informacji
2. Podstawowy obiekt danych – tablice z biblioteki NumPy
   • Tablice z pakietu NumPy – zalety i korzyści
   • Tworzenie wielowymiarowych tablic
   • Indeksowanie elementów tablic
   • Manipulacje na danych tablicowych z NumPy
3. Statystyka i algebra liniowa – biblioteka SciPy
   • Podstawowe statystyki opisowe
   • Podstawowe funkcje z algebry liniowej
   • Generowanie liczb losowych
4. Przetwarzanie danych z biblioteką pandas
   • Podstawowe obiekty danych – DataFrame, Series
   • Indeksowanie, agregacja, statystyka
   • Łączenie danych w formacie DataFrame
   • Tablice przestawne
5. Importowanie i przechowywanie danych w Python
   • Zarządzanie plikami z biblioteką OS
   • Import/Eksport plików w formacie CSV, Excel, TXT
   • Inne formaty danych
6. Podstawy wizualizacji danych w Python
   • Biblioteki matplotlib
   • Podstawowe wykresy
   • Analiza rozkładu zmiennych
   • Formatowanie wykresów

Przygotowanie danych

1. Przygotowanie danych do maszynowego uczenia
   • Brakujące obserwacje – wykrywanie i imputacja
   • Nietypowe obserwacje
   • Standaryzacja i normalizacja danych
   • Binaryzacja
   • Przygotowanie danych jakościowych
   • Korzystanie z Pipelines dla lepszej organizacji procesu

Prognozowanie danych numerycznych

1. Regresja liniowa
   • Estymacja i ocena modelu regresji liniowej w Python
   • Dobór zmiennych w modelu regresji
   • Regresja grzbietowa jako remedium na problemy regresji liniowej
   • Regularyzacja modelu
2. Drzewa regresji
   • Budowa drzew regresji
   • Algorytm CART
   • Prepruning a Postpruning

Klasyfikacja

1. Regresja logistyczna
   • Klasyfikacja binarna
   • Miary jakości klasyfikacji
   • Krzywa ROC
   • Tuningowanie modelu
2. k-Nearest Neighbors
   • Miary podobieństwa
   • Algorytm k-NN
   • Testowanie klasyfikatora
3. Naive Bayes
   • Prawdopodobieństwo warunkowe
   • Klasyfikacja przy pomocy prawdpodobieństwa warunkowego
   • Klasyfikator Naive Bayes
   • Ekstrakcja zmiennych z danych tekstowych w Python
4. Drzewa decyzyjne
   • Uczenie drzew decyzyjnych – C5.0
   • Miary doboru zmiennych do modelu
   • Boosting i Bagging
   • Random Forests
   • Ensemble Trees
5. Support Vector Machines
   • Wprowadzenie do SVM
   • Maximum margin classifier
   • Support Vectors
   • Kernels
   • Uczenie SVM w Python
6. Sieci neuronowe
   • Wprowadzenie do sieci neuronowych
   • Od biologi do analizy danych
   • Funkcje aktywujące
   • Topologia sieci neuronowych
   • Uczenie sieci neuronowych w Python
   • Walidacja modeli i wybór algorytmu
7. Walidacja algorytmów maszynowego uczenia
   • K-fold cross validation
   • Różne strategie cross validation
   • Tuningowanie modeli – strategie grid search

Unsupervised learning

1. Klastrowanie – Kmeans i rozwinięcia
   • Wykorzystanie Kmeans do klastrowania danych
   • Optymalizacja liczby centroidów
   • Ocena jakości klastrowania
   • Wykorzystanie Kmeans do wykrywania anomalii
2. Algorytm Apriori – analiza asocjacji
   • Analiza Asocjacji
   • Zasada Apriori
   • Zastosowania algorytmu w praktyce
3. FP-growth
   • Budowa i konstrukcja FP-tree
   • Wyszukiwanie wzorców za pomocą FP-tree

Dodatkowe tematy

1. Redukcja wymiaru z PCA
   • Interpretacja graficzna PCA
   • Zastosowania PCA
2. Singular value decomposition
   • Zastosowania SVD
   • SVD w Python
3. Big data i MapReduce
   • MapReduce
   • Hadoop
   • Maszynowe uczenie i MapReduce