Szkolenie Machine Learning w R

Szkolenie Machine Learning w R

Szkolenia otwarte

3200 PLN

- Szkolenie, w którym uczestniczą osoby z różnych firm
- Plan szkolenia taki, jak przedstawiony na stronie
- Małe grupy szkoleniowe, 3-10 osób

Szkolenia zamknięte

Cena ustalana indywidualnie

- Szkolenie realizowane na indywidualne zamówienie
- Termin i miejsce szkolenia ustalamy indywidualnie
- Plan szkolenia dostosowany do potrzeb firmy

O szkoleniu

Uczenie maszynowe (z ang. Machine Learning) to szybko rozwijająca się dziedzina, która daje niesamowite możliwości analizy danych, wyciągania z nich wniosków i formułowania reguł. Machine learning łączy w sobie elementy informatyki, statystyki i automatyki i składa się z algorytmów, które pozwalają na podstawie istniejących danych prognozować oraz klasyfikować nowe dane, rozpoznawać tekst, zdjęcia i mowę, czy tworzyć systemy rekomendacyjne. Umiejętność wykorzystania technik uczenia maszynowego jest w dzisiejszych czasach doskonałym atutem każdego analityka danych.

Podczas szkolenia uczestnicy od podstaw zapoznają się z technikami uczenia maszynowego i za pomocą licznych ćwiczeń i przykładów zdobędą praktyczną wiedzę niezbędną w codziennej pracy.

Dla kogo jest to szkolenie?

Szkolenie kierowane jest do osób, które chcą poznać techniki uczenia maszynowego i zdobyć wiedzę praktyczną przydatną w pracy zawodowej. Do udziału w szkoleniu wymagana jest podstawowa znajomość programu R.

Nasze szkolenie kierujemy do:

  • Analityków
  • Statystyków
  • Data scientists
  • Programistów

Nasi kursanci pracują z R w różnych branżach (finanse, IT, produkcja, medycyna itp.). Zawsze podczas szkolenia staramy się położyć nacisk na te elementy R, które będą im najbardziej przydatne w codziennej pracy.

Czego się nauczę?

  • Podczas szkolenia uczestnik pozna podstawy uczenia maszynowego oraz nauczy się budować szereg modeli służących do klasyfikacji lub numerycznej predykcji danych.

    Po ukończeniu szkolenia, uczestnik będzie potrafił:

    • Dobrać odpowiedni algorytm do problemu – Omówimy istniejące metody uczenia maszynowego z podziałem na uczenie z nadzorem i bez nadzoru
    • Przetestować model i ocenić jego zdolności predykcyjne – Pokażemy jak ocenić jakość zbudowanego modelu dokładność predykcji. Omówimy takie problemy jak np. przetrenowanie, czyli nadmierne dopasowanie modelu do danych.
    • Zbudować model regresji liniowej – Omówimy, czym jest regresja liniowa i jakie są jej zastosowania. Pokażemy jak zbudować poprawny model o dobrych właściwościach predykcyjnych. Taki model można wykorzystać np. do wyjaśnienia czynników kształtujących cenę lub prognozowania wielkości sprzedaży.
    • Zbudować model klasyfikacyjny – Omówimy różne rodzaje algorytmów, które pozwalają na stworzenie modelu klasyfikacyjnego. Będą to między innymi sieci neuronowe, drzewa decyzyjne i algorytmy SVM. Takie modele wykorzystywane są na przykład w systemach rekomendacji.
    • Zbudować model uczenia bez nadzoru – Nauczymy jak stworzyć model w sytuacji, gdy nie posiadamy danych do walidacji modelu.
    • Poprawić zdolności predykcyjne modelu – Pokażemy metody, które pozwalają zwiększyć zdolności predykcyjne modelu jak np. boosting czy random forest.

Plan szkolenia

  1. Wprowadzenie do maszynowego uczenia
    • Możliwości i ograniczenia maszynowego uczenia
    • Uczenie z nadzorem
    • Uczenie bez nadzoru
    • Uczenie przez wzmacnianie
    • Uczenie ewolucyjne
    • Maszynowe uczenie krok po kroku
    • Statistical learning vs Machine learning
    • Przykłady zastosowań
  2. Elementy programowania w R
    • Podstawowe obiekty danych
    • Konstrukcje if, for, while
    • Importowanie danych
    • Bibilioteki R wykorzystywane w maszynowym uczeniu
    • Tworzenie skryptów
    • Dynamiczne raporty z R i knitr
  3. Testowanie zdolności predykcyjnej algorytmów maszynowego uczenia
    • Kompromis pomiędzy interpretacją modelu a dokładnością prognoz
    • Przeuczenie ( z ang. Overfitting)
    • Zbiór uczący, testowy i walidacyjny
    • Miary trafności w prognozowaniu ilościowym i klasyfikacji
    • Macierz klasyfikacji, krzywa ROC, miara AUC
    • Cross-Validation – k-Fold, LOCV
    • Bootstrap
  4. Regresja liniowa – problem prognozowania danych numerycznych
    • Współczynnik korelacji
    • Regresja liniowa wielu zmiennych
    • Interpretacja graficzna modelu regresji
    • Metody doboru zmiennych objaśniających
    • Prognozowanie i wybór modelu
    • Przykłady i Ćwiczenia w R
  5. Regresja logistyczna – problem klasyfikacji
    • Regresja logistyczna dla zmiennych binarnych
    • Regresja logistyczna dla zmiennych wielomianowych
    • Estymacja i prognozowanie
    • Przykłady i Ćwiczenia w R
  6. Naive Bayes – problem klasyfikacji
    • Prawdopodobieństwo warunkowe i twierdzenie Bayesa
    • Algorytm naiwnego klasyfikatora bayesowskiego
    • Przykłady i Ćwiczenia w R
  7. k- Nearest Neighbors –problem klasyfikacji
    • Algorytm leniwego uczenia k-NN
    • Miary odległości obserwacji
    • Wybór k- liczby najbliższych sąsiadów
    • Przykłady i ćwiczenia w R
  8. Drzewa decyzyjne – problem klasyfikacji
    • Konstruowanie drzew wg zasady – Dziel i Rządz
    • Algorytm C5.0 tworzenia drzew decyzyjnych
    • Podział na podstawie miar entropii, gini
    • Przycinanie drzew
    • Reguły decyzyjne
    • Przykłady i ćwiczenia w R
    • Rozszerzenie: Regresyjne drzewa decyzyjne
  9. Sieci neuronowe – problem klasyfikacji i prognozowania danych numerycznych
    • Biologiczne podstawy sieci neuronowych
    • Funkcje aktywujące
    • Topologia sieci neuronowych
    • Estymacja sieci neuronowych metodą backpropagation
    • Przykłady i ćwiczenia w R
  10. Support Vector Machines
    • Interpretacja graficzna klasyfikacji z pomocą SVM
    • Problem nieseparowalnych danych
    • Algorytm SVM
    • Kernels
    • Rozszerzenia: regresja SVM
    • Przykłady i ćwiczenia w R
  11. Reguły asocjacyjne
    • Algorytm apriori
    • Budowa reguły z wykorzystaniem algorytmu apriori
    • Przykłady i ćwiczenia w R
  12. Metody redukcji zmiennych
    • Analiza dyskryminacyjna – LDA
    • Metoda głównych składowych – PCA
    • Analiza czynnikowa – FA
    • ISOMAP – MDS
    • Przykłady i ćwiczenia w R
  13. Tuning parametrów – zwiększanie zdolności predykcyjnych
    • Tuningowanie parametrów z pomocą pakietu caret
    • Przykłady i ćwiczenia w R
  14. Ensemble learning – zwiększanie zdolności predykcyjnych
    • Boosting – AdaBoost, Stumping
    • Gradient boosting machines
    • Bagging
    • Randomizacja
    • Random forests
    • Additive regression
    • Przykłady i ćwiczenia w R
  15. Metody uczenia bez nadzoru
    • k-Means
    • k-Medoids
    • Segmentacja hierearchiczna
    • Segmentacja na bazie rozkładu gęstości
    • SOM – Self organising feature map
    • Przykłady i ćwiczenia w R

Plan Szkolenia

Plan jest pusty

Instruktorzy


Zapytaj o szkolenie

Jestem zainteresowany/a


 

Zapytaj o szkolenie zamknięte

Jestem zainteresowany/a


 

Zapytaj o szkolenie otwarte
 

Jestem zainteresowany/a


 
Szybki kontakt