Machine Learning Bootcamp w języku Python cz.II - od A do Z
Praktyczne wprowadzenie do uczenia maszynowego w języku Python: zasady, techniki i modele dla uczenia nadzorowanego!
Description
Odkrywaj nowe horyzonty z uczeniem maszynowym - twórz inteligentne jutro!
Kurs "Machine Learning Bootcamp w języku Python cz.II - od A do Z" to intensywny program szkoleniowy, który ma na celu wprowadzić uczestników w fascynujący świat uczenia maszynowego. Ten kurs, skierowany jest do początkujących i średnio zaawansowanych, został zaprojektowany tak, aby dostarczyć solidne podstawy oraz praktyczne umiejętności niezbędne do zastosowania uczenia maszynowego w praktyce. Część druga serii Machine Learning Bootcamp skupia się na uczeniu nienadzorowanym.
Kurs rozpoczyna się od wprowadzenia uczestników do podstaw uczenia nienadzorowanego. W dalszej części kursu uczestnicy nauczą się czym jest klasteryzacja przy wykorzystaniu takich algorytmów jak algorytm K-średnich, grupowanie hierarchiczne, czy algorytm DBSCAN.
Kolejno kurs przechodzi do ważnego zagadnienia w uczeniu maszynowym - redukcji wymiarowości. Omówione zostaną dwa algorytmy do redukcji wymiarowości - PCA oraz t-SNE. Dalej omówione zostaną reguły asocjacyjne oraz detekcja anomalii.
Na zakończenie kursu, uczestnicy wykonają trzy projekty, które pozwolą na praktyczne zastosowanie zdobytej wiedzy.
"Machine Learning Bootcamp w języku Python cz.II - od A do Z" to kurs, który zapewnia solidne podstawy wiedzy i praktyczne umiejętności potrzebne do zrozumienia i implementacji uczenia maszynowego w rzeczywistych problemach.
Odkrywaj nowe horyzonty z uczeniem nienadzorowanym!
Uczenie nienadzorowane to gałąź sztucznej inteligencji, która zajmuje się eksploracją i analizą danych bez wykorzystania oznaczeń lub nadzoru zewnętrznego. W przeciwieństwie do uczenia nadzorowanego, w którym dostarcza się algorytmom dane wejściowe wraz z etykietami, w uczeniu nienadzorowanym algorytmy muszą samodzielnie wykrywać wzorce, struktury lub ukryte zależności w danych.
Uczenie nienadzorowane może być stosowane w różnych dziedzinach, takich jak przetwarzanie języka naturalnego, analiza danych, rozpoznawanie obrazu, segmentacja rynku i wiele innych. Popularne metody uczenia nienadzorowanego to grupowanie (klasyfikacja danych na podstawie podobieństwa), redukcja wymiarowości (zmniejszenie liczby cech w danych), odkrywanie reguł asocjacyjnych (wykrywanie zależności między elementami zbioru danych) i wiele innych.
Uczenie nienadzorowane jest niezwykle cenne, ponieważ pozwala odkrywać ukryte wzorce i wiedzę z danych, które mogą prowadzić do nowych odkryć, lepszego zrozumienia danych i podejmowania decyzji opartych na danych (data-driven decisions). Jest to potężne narzędzie w dziedzinach, w których brakuje oznaczonych danych lub gdy chcemy zobaczyć, co samoistnie wyniknie z danych bez wprowadzania jakichkolwiek założeń.
What You Will Learn!
- wprowadzenie do uczenia nienadzorowanego
- metody grupowania (clustering): algorytm K-średnich wraz z implementacją, grupowanie hierarchiczne, DBSCAN
- redukcja wymiarowości: algorytm PCA wraz z implementacją, algorytm t-SNE
- metody asocjacyjne: reguły asocjacyjne, algorytm Apriori
- detekcja anomalii: algorytm Local Outlier Factor, algorytm Isolation Forest
- detekcja anomalii w szeregach czasowych: biblioteka Prophet (Facebook)
Who Should Attend!
- analitycy danych i naukowcy, którzy chcą poszerzyć swoje umiejętności w zakresie uczenia nienadzorowanego, czyli technik analizy danych, które nie wymagają etykietowanych danych treningowych
- programiści i inżynierowie oprogramowania, którzy chcą zdobyć wiedzę i umiejętności związane z technikami uczenia nienadzorowanego, takimi jak klasteryzacja, redukcja wymiarowości czy asocjacyjne reguły
- specjaliści ds. danych, którzy chcą rozszerzyć swoje umiejętności w zakresie wykorzystywania uczenia nienadzorowanego do analizy danych i odkrywania ukrytych wzorców
- studenci lub absolwenci kierunków związanych z informatyką, statystyką, matematyką lub pokrewnymi dziedzinami, którzy chcą zdobyć podstawy uczenia nienadzorowanego i umiejętności praktyczne związane z analizą danych
- osoby zainteresowane eksploracją danych i odkrywaniem nowych informacji bez konieczności posiadania wcześniej etykietowanych danych, które preferują język Python jako narzędzie programistyczne
- osoby pragnące zdobyć podstawową wiedzę z uczenia maszynowego i zrozumieć techniki uczenia nienadzorowanego jako pierwszy krok w procesie poznawania tej dziedziny