Machine Learning in Practice

Podstawowe szkolenie praktyczne z uczenia maszynowego, które obejmuje cały cykl tworzenia rozwiązania - od wstępnego przechwytywania danych ("plik .xlsx"), przez budowanie modelu, po wyjaśnienie specyfiki danych i wyników klientowi końcowemu.
Kod: EAS-025
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.

Trener Online
Adrian Millea Machine Learning Consultant
Adrian is working as a Reinforcement Learning scientist, and is finishing his PhD at Imperial College London. He has worked with various topics over the years, ranging from Echo State Networks to Variational Inference and Information Geometry.

He has a deep understanding of ML principles and the mathematics behind it. Some of the current practical tools he uses are Pytorch, Tensorflow, Ray, Scikit, Pandas. Adrian also works as a teaching assistant at University of Groningen.

His professional and teaching experience make Adrian the perfect choice for our Python and Machine Learning courses.
Harmonogram w Online Cennik
Szkolenie zaplanowano na Online
14.06.2022 - 21.06.2022
Godziny szkolenia: 09:30-13:30
Strefa czasowa: UTC +2
Lokalizacja: Online
Czas trwania: 24 godzin
Jezyk: Angielski
Trener
Adrian Millea
Machine Learning Consultant
1 804 zł
Zapisz sie na nastepny kurs
+
Wczesniejsza rejestracja gwarantuje priorytet. Powiadomimy panstwa o nastepnym zaplanowanym szkoleniu na ten temat.
14.06.2022 - 21.06.2022
Godziny szkolenia: 09:30-13:30
Strefa czasowa: UTC +2
Lokalizacja: Online
Czas trwania: 24 godzin
Trener
Adrian Millea
Machine Learning Consultant
1 804 zł
Zapisz sie na nastepny kurs
+
Wczesniejsza rejestracja gwarantuje priorytet. Powiadomimy panstwa o nastepnym zaplanowanym szkoleniu na ten temat.
Online 1804 zł
Bucharest 1804 zł
Kraków 1804 zł
Wroclaw 1804 zł

Uprzejmie informujemy, że płatność za każde szkolenie będzie realizowana w lokalnie obowiązującej walucie. Jednocześnie informujemy, że podane ceny mogą ulec zmianie w zależności od lokalizacji szkolenia oraz trybu jego realizacji. Do ceny netto widocznej przy wybranym szkoleniu należy doliczyć 23% podatku VAT.

Szkolenia, które mogą Cię zainteresować:
EAS-025106349

Zarejestruj się na następne szkolenie

Wybierz termin
Imię*
Nazwisko*
Firma
Email*
Numer telefonu*
Twój komentarz
Masz jeszcze jakieś pytania?
Skontaktuj się z nami
Thank you.
Your request has been received.