Kod: EAS-025
Czas trwania: 24 godzin
Czas trwania: 24 godzin
Opis szkolenia
Ten kurs wprowadzający to dopiero początek długiego i ekscytującego sposobu studiowania uczenia maszynowego. Zamiast klasycznego podejścia akademickiego ("matematyka - teoria ML - przykłady - praktyka"), szkolenie to ma przede wszystkim charakter praktyczny. Teoria i podstawy matematyczne (jak działają algorytmy i dlaczego działają) są również bardzo ważne. Jednak należy je badać w bardziej rozsądny sposób na kolejnych etapach, na których pojawią się kwestie ulepszeń i optymalizacji.Pierwszy przykład zacznie się od rzeczywistego zadania: istnieje zestaw tabel z danymi początkowymi (w programie Excel), ale nie jest jasne, co można z nimi zrobić i jak można zastosować do tego "magiczne" Big Data. Korzystając z różnych technik uczenia maszynowego, nauczysz się, jak znaleźć szczegółowe informacje w tych danych i przedstawić wyniki w postaci zrozumiałej dla klientów biznesowych (wykresy, nowe, prostsze tabele itp.).
Następnie przejrzymy podstawowe klasy zadań, w przypadku których uczenie maszynowe jest skuteczne, i pokażemy przykłady ich rozwiązywania. Jednak samo stosowanie gotowych wzorów jest z pewnością nieskuteczne - zwrócimy też uwagę na interpretację wyników i (w dużej mierze) prezentację wyników końcowym użytkownikom danych.
Część szkolenia będzie poświęcona omówieniu praktycznych zadań, z którymi mają do czynienia uczestnicy. Postaramy się je sformalizować, a nawet przewidzieć możliwe trudności w ich wdrażaniu.
Plan szkolenia
Przegląd zadań- Które zadania lepiej rozwiązuje uczenie maszynowe, a które są rozwiązywane. Co się stanie, jeśli zamiast Data Scientist zatrudnisz niespecjalistę w danej domenie (tylko programistę / analityka / managera), oczekując, że wszystkiego się nauczy.
Przygotowanie, czyszczenie i eksploracja danych
- Jak uzyskać wgląd w początkowe dane biznesowe (i w ogóle znaleźć w nich jakąkolwiek kolejność). Sekwencja przetwarzania. Co mogą i powinni zrobić analitycy domeny, a co lepiej powinno być zrobione przez Data Scientist. Priorytety w rozwiązywaniu określonego zadania.
Klasyfikatory i regresory
- Praktyka - dobrze sformalizowane zadania z przygotowanymi danymi. Różnice między zadaniami (klasyfikacja binarna / niebinarna / probabilistyczna, regresja), redystrybucja zadań między klasami. Przykłady klasyfikacji zadań praktycznych.
Grupowanie
- Gdzie i jak robić klastry: eksploracja danych, sprawdzanie ustawień zadań i walidacja wyników. Które przypadki można sprowadzić do grupowania.
Co jest dobre
- Jak oceniać wyniki w sposób, w jaki zrobiliby to klienci. Wyjaśnianie nietypowych ocen i sprowadzanie ich do zwykłych. Szczególnie bezsensowne pytania i co na nie odpowiedzieć. Walidacja krzyżowa i jak tego nie robić. Niesamowite przykłady overfittingu i tego, jak wkracza on nawet w nieco niedokładną architekturę.
Jak ulepszyć model
- Co sprawia, że jeden model jest lepszy od drugiego: parametry, cechy i zespoły. Coś o parametrach. Cechy szczegółowo, z praktyką budowania i zawodów. Jak nie przesadzać z cechami. Spojrzenie w przepaść narzędzi do wyszukiwania najlepszych parametrów / cech / metod.
Wykresy, raporty, radzenie sobie z rzeczywistymi zadaniami
- Jak wyjaśnić, co się dzieje prostym językiem: sobie, zespołowi i klientom. Lepsze odpowiedzi na bezsensowne pytania. Jak przedstawić trzy terabajty wyników na jednym slajdzie. Testy półautomatyczne, jakie punkty kontrolne procesu są naprawdę potrzebne. Od zadań z życia wziętych do pełnego procesu B + R ("B + R w praktyce") - przeglądanie i analiza zadań słuchaczy.
Cele
- Zrozumienie, jakie zadania można rozwiązać za pomocą uczenia maszynowego (i dowiedzenie się, że Big Data to tylko podsekcja, a nie wymóg obowiązkowy)
- Dowiedzenie się, jak wykorzystać początkowe metody uczenia maszynowego, a korzystając z narzędzi do szybkiego prototypowania, dowiedzenie się, jak odpowiedzieć na pytanie "Czy potrafisz oszacować rzeczywisty dochód z możliwego wdrożenia?"
- Podkreślenie danych, które powinny zostać zebrane i czego można od nich wymagać w najbliższej przyszłości. Dlaczego "chcemy przechowywać petabajty" - to nie zawsze jest tylko kaprys
- Przygotowanie się na bardziej złożone tematy, szczególnie do kompletnych rozwiązań naprawdę złożonych problemów biznesowych
- Zobaczenie, jak dokładnie uczenie maszynowe pasuje do klasycznej analizy. W szczególności upewnienie się, że nie jest konieczne (a nawet szkodliwe) zwalnianie wszystkich istniejących analityków w celu wdrożenia koncepcji
Grupa docelowa
- Analitycy
- Kierownicy projektów zajmujący się danymi
- Kierownicy techniczni / starsi programiści we wszelkich projektach związanych z danymi
- Analitycy biznesowi
- Deweloperzy
- Inżynierowie danych
- Architekci, projektanci systemów
Wymagania
- Umiejętność czytania prostego kodu w Pythonie i pisania w dowolnym języku skryptowym.