Uczenie maszynowe praktycznie

Naucz się stosować uczenie maszynowe.
  • Szkolenie hybrydowe – spotkania LIVE z Marcinem Szeligą
  • Podręcznik dla każdego uczestnika Uczenie maszynowe praktycznie, PWN

Cena: 1100zł brutto

Zawartość

13 modułów

Od oceny przydatności danych, poprzez omówienie modeli i analizę predykcji do poprawy jakości i wdrożenia modeli

Doświadczony trener i ekspert - Marcin Szeliga

Marcin Szeliga - Artificial Intelligence Microsoft MVP

Praktyczne przykłady

Wszystkie lekcje są prezentowany na podstawie praktycznych przykładów - które możesz bezpośrednio zastosować w pracy

Dostęp do zamkniętej grupy uczestników

O dowolnej porze masz możliwość kontaktu z trenerem i pozostałymi uczestnikami

Testy

ponad 100 pytań quizowych + klucz

Prezentacje live, godz. 20:00 x 7h

Siedem godzinnych prezentacji live z możliwością zadawania pytań od XII.2021 do II.2022

Certyfikat ukończenia przesyłany pocztą

Po zakończeniu otrzymasz tradycyjny, drukowany certyfikat, podpisany przez trenera

Gwarancja jakości

W ciągu 14 dni od rozpoczęcia kursu, możesz zrezygnować z niego, wysyłając maila, zwrot 100% wpłaty

Program szkolenia

Zaproszenie na szkolenie

Program kursu

MODUŁ 1
Uczenie maszynowe jako element eksperymentów Data Science

Wybór i wdrożenie formalnej metodyki ma kapitalny wpływ na powodzenie projektów uczenia maszynowego. Przede wszystkim pozwala budować wiarygodne modele, czyli zapobiega próbom naginania rzeczywistości do postawionych hipotez. Ponadto pozwala efektywnie rozwiązywać problemy z jakością modeli. Kurs zaczniemy od omówienia sprawdzonych metodyk prowadzenia projektów Data Science.

MODUŁ 2
Narzędzia

Historycznie pierwszym, i wciąż niesłychanie popularnym, językiem danych jest SQL, czyli strukturalny język zapytań. Ten wzorowany na potocznym języku angielskim język pozwala bardzo efektowanie przechowywać i przetwarzać duże zbiory danych — dane przechowywane są w tabelach, a do ich przetwarzania używa się zapytań.Jednak język SQL ma też swoje ograniczenia. Jednym z nich jest brak wsparcia dla algorytmów uczenia maszynowego. Potrzebujemy do tego innych języków, takich jak Python lub R.

MODUŁ 3
Ocena przydatności danych

W uczeniu maszynowym najważniejsze są dane. Im więcej danych treningowych i im lepsza ich jakość, tym lepsze uzyskamy wyniki modelowania. Z drugiej trony, dane niskiej jakości skazują projekt na niepowodzenie. Warto wiec umieć ocenić przydatność danych.

MODUŁ 4
Wstępne przetwarzanie danych

Dane źródłowe nigdy nie są gotowe do modelowania, niezależnie od tego, jak są zbierane i przetwarzane. Zawsze konieczne jest ich przygotowanie i wyczyszczenie. W tym bloku poznamy najczęściej stosowane techniki uzupełniania brakujących wartości, kodowania zmiennych, normalizacji i redukcji wymiarów.

MODUŁ 5
Wzbogacanie danych

Wzbogacenia danych polega na wprowadzaniu nowych zmiennych (cech), z reguły wyliczonych na podstawie posiadanych danych. Dzięki temu, że zmienne te lepiej reprezentują modelowanie zagadnienie, wzbogacając dane możemy znacząco poprawić jakość modeli.

MODUŁ 6
Uczenie nienadzorowane - grupowanie

Pierwszą techniką uczenia maszynowego jak poznamy jest analiza skupień — klasyczny przykład zastosowania uczenia nienadzorowanego. Pozwala ona zredukować liczbę obserwacji oraz zmiennych (a więc jest przydatna na etapie wzbogacania danych), ponadto umożliwia wykrycie podobnych obserwacji oraz anomalii.

MODUŁ 7
Uczenie nadzorowane- regresja

W tym bloku poznamy najczęściej stosowane modele parametryczne oraz partycjonujące i nauczymy się ich stosować do wyszukiwania korelacji ukrytych w danych, w celu jak najdokładniejszego oszacowania wartości zmiennej wyjściowej na podstawie zmiennych wejściowych.

MODUŁ 8
Uczenie nadzorowane - klasyfikacja

Klasyfikacja, tak jak regresja, jest metodą uczenia nadzorowanego. Jej celem jest znalezienie klasyfikatora – modelu, który nauczony na przykładach będzie potrafił przypisać nowe obserwacje do jednej z możliwych klas. W tym bloku nauczymy się budować klasyfikatory.

MODUŁ 9
Głębokie uczenie

Głębokie uczenie polega na automatycznym znajdowaniu przez model cech (zmiennych), które z perspektywy modelu lepiej opisują modelowane zagadnienie, a następnie użyciu tych cech do predykcji. W tym bloku poznamy budowę i działanie sztucznych sieci neuronowych oraz nauczymy się stosować odpowiednie wersji tych sieci to analizy obrazów, kodowania danych i prognozowania szeregów czasowych.

MODUŁ 10
Ocena jakości modeli

Najczęściej oceniamy modele ze względu na trafność i stabilność predykcji –temu tematowi poświęcony został bieżący blok kursu. Dowiemy się w nim, że nie ma najlepszego algorytmu uczenia maszynowego i nauczymy się rzetelnie porównywać modele.

MODUŁ 11
Analiza predykcji (błędów i wpływu poszczególnych zmiennych)

Trafność modeli to nie jedyne kryterium, jakie powinniśmy wziąć pod uwagę przy ich ocenianiu. Równie ważna jest ich wiarygodność, na którą składają się uczciwość modeli (czyli to, że wyniki predykcji nie są zniekształcone), interpretowalność wyników i bezbłędność. Tym kwestiom zajmiemy się w bieżącym module.

MODUŁ 12
Poprawa jakości modeli

Rozwiązując problem budujemy wiele modeli kandydujących, a następnie wybieramy najlepszy z nich. W tym bloku nauczymy się optymalizować hiperparametry modeli oraz stosować techniki automatycznego uczenia maszynowego.

MODUŁ 13
Wdrożenie modeli

Zbudowanie wystarczająco dobrego modelu nie kończy procesu Data Science. Teraz musimy jeszcze udostępnić nasz model użytkownikom — jak to zrobić dowiemy się z ostatniego bloku naszego kursu.

Opis kursu

Praktyczne uczenie maszynowe na platformie SQL Server

Sztuczna inteligencja rozwija się dzięki dostępności danych i praktycznym zastosowaniom modeli uczenia maszynowego, w większości nadzorowanego uczenia maszynowego. A chociaż głębokie modele uczenia maszynowego uczone na danych nieustrukturyzowanych, takich jak obrazy, i częściowo ustrukturyzowanych, takich jak dokumenty, potrafią rozwiązywać bardzo trudne problemy, to jednak częściej pracujemy z danymi ustrukturyzowanymi, mającymi postać tabelaryczną. Takie dane najwygodniej i najwydajniej przetwarza i modeluje się tam, gdzie są przechowywane, czyli po stronie serwera baz danych.

Celem szkolenia jest przekazanie uczestnikom wiedzy i umiejętności niezbędnych do samodzielnego przeprowadzania eksperymentów uczenia maszynowego. Szkolenie łączy teorię z praktyką, po jego ukończeniu Uczestnicy będą potrafili prawidłowo zdefiniować rozwiązywany problem, właściwie przygotować dane treningowe, zbudować modele predykcyjne, ocenić jakość tych modeli i wdrożyć najlepszy model do produkcji.
Szkolenie prowadzone jest z użyciem SQL Server, R, Python i Power BI Desktop.

Wymagania wstępne

Przed przystąpieniem do szkolenia uczestnik powinien posiadać wiedzę z zakresu:

  • Podstaw statystyki
  • Podstaw języka R lub Python
  • Podstaw języka SQL
  • Pracy z serwerem SQL Server

Podręcznik dla każdego uczestnika

Wszyscy uczestnicy szkolenia, otrzymają książkę, której autorem jest Marcin Szeliga:

Praktyczne uczenie maszynowe (Wydawnictwo Naukowe PWN) – najlepsza książka informatyczną roku 2020

Marcin Szeliga

Data geek
Ponad 20 lat doświadczenia zawodowego
Artificial Intelligence Microsoft Most Valuable Professional
Microsoft Certified Solutions Expert
Data Management and Analytics
Cloud Platform and Infrastructure
Business Intelligence
Microsoft Certified Solutions Developer
Azure Solution Architect
marcin.szeliga@datacommunity.pl

Najczęściej zadawane pytania

Tak. Automatycznie po zamówieniu i opłaceniu kursu.

Naturalnie, właśnie do tego jest stworzona zamknięta grupa dla uczestników szkolenia. Masz także kontakt z trenerem, który odpowie na pytania – jeśli takie się pojawią.

Tak. Dopóki będzie istnieć serwis kursysql.pl – będziesz mieć dostęp do materiałów zakupionego szkolenia. Nawet jeżeli zostanie zmieniona platforma na której jest on umieszczony – otrzymasz dostęp do nowej.

Wszystkie szkolenia na kursysql.pl prezentują w PRAKTYCZNY sposób, NAJNOWSZE dostępne możliwości SQL Server, są prowadzone przez EKSPERTÓW z branży i DOŚWIADCZONYCH dydaktyków. Dodatkowo kursysql.pl są prowadzone w grupach, w ramach kilkutygodniowych programów – które ułatwia systematyczną naukę i kontakt z innymi uczestnikami i trenerem.

Nie. Materiały video są dostępne tylko w ramach platformy kursysql.pl ale dostępne są bez ograniczeń czasowych po zakończeniu szkolenia. Pobrać można przykładowe skrypty.

W ciągu 14 dni od rozpoczęcia kursu (w przypadku przedsprzedaży, kiedy wszystkie materiały są dostępne od razu – w ciągu 3 dni), możesz zrezygnować z niego, wysyłając maila na adres kontakt@kursysql.pl – zwrócę Ci 100% wpłaconej kwoty

Nie. Kolejna edycja dopiero za kilka miesięcy i na pewno nie będzie tańsza. Za to wszystkie nowe szkolenia, które pojawią się w ramach platformy kursysql.pl – będą dostępne w najlepszej cenie (porównując ze wszystkimi dostępnymi promocjami) dla obecnych uczestników.

Tak! Wyślij na adres kontakt@kursysql.pl dane do faktury – postaramy się wystawić ją jak najszybciej

Copyright © 2019-2021 kursysql.pl