Python do analizy danych - Nauczysz się sprawnie pracować na listach, słownikach i tablicach NumPy, dzięki czemu szybciej przygotujesz dane do analiz, raportów i modeli używanych w codziennej pracy.
Praktyczne skrypty biznesowe - Zobaczysz, jak tworzyć funkcje i klasy przydatne w projektach ML, a następnie wykorzystasz je do automatyzacji analizy danych sprzedażowych i porządkowania powtarzalnych zadań.
Dobór algorytmu do problemu - Dowiesz się, kiedy użyć uczenia nadzorowanego, nienadzorowanego lub innych podejść, aby trafniej dopasować metodę do predykcji zachowań klientów i realnych celów biznesowych.
Praca ze scikit-learn - Przećwiczysz budowanie modeli w scikit-learn, od przygotowania danych po trenowanie i testy, dzięki czemu samodzielnie uruchomisz kompletny proces uczenia maszynowego w Pythonie.
Sprawne użycie bibliotek DS - Opanujesz praktyczne zastosowanie NumPy, Pandas, Matplotlib i SciPy, więc łatwiej połączysz obróbkę danych, analizę statystyczną i wizualizację w jednym spójnym środowisku pracy.
Ocena jakości modeli - Poznasz metody ewaluacji modeli i dobre praktyki testowania, dzięki czemu nauczysz się rozpoznawać, czy model rzeczywiście działa dobrze, a nie tylko daje pozornie dobre wyniki.
Modele regresji i drzew - Nauczysz się stosować regresję liniową i wielomianową oraz drzewa decyzyjne i Random Forest, aby przewidywać wartości liczbowe i porównywać skuteczność różnych podejść modelowych.
Czytelna analiza i wizualizacja - Będziesz tworzyć wykresy i analizować korelacje danych, dzięki czemu lepiej zrozumiesz zależności w zbiorach oraz pokażesz wyniki modeli w formie czytelnej dla zespołu i biznesu.
Python w Data Science zaczyna się od struktur danych używanych w codziennej analizie. Uczestnicy pracują na listach, słownikach i tablicach NumPy, a następnie łączą programowanie funkcyjne i obiektowe z przetwarzaniem danych sprzedażowych w projekcie.
Uczenie nadzorowane, nienadzorowane i ze wzmocnieniem wyznaczają główne nurty pracy z modelami. Sekcja łączy te podejścia z popularnymi algorytmami, ich zastosowaniami biznesowymi, praktyką scikit-learn oraz projektem predykcji zachowań klientów.
Z perspektywy organizacji istotne jest rozróżnienie między szerokim pojęciem sztucznej inteligencji a bardziej konkretnym zakresem Machine Learning. Ta część porządkuje relację między tymi obszarami i osadza ML w kontekście systemów inteligentnych.
NumPy, Pandas, Matplotlib i SciPy tworzą podstawowe zaplecze programistyczne dla pracy z danymi w Pythonie. Omówione zostają ich role w obliczeniach numerycznych, przetwarzaniu danych tabelarycznych, wizualizacji oraz zadaniach analitycznych.
Sam wynik modelu nie wystarcza do oceny jego przydatności. Sekcja prezentuje metody ewaluacji modeli Machine Learning, ze szczególnym naciskiem na sposób mierzenia jakości, porównywania rezultatów i interpretacji wyników przy wyborze rozwiązania.
Gdy celem analizy jest przewidywanie wartości liczbowych, kluczową rolę odgrywają modele regresyjne. Materiał obejmuje regresję liniową i wielomianową, pokazując ich zastosowanie do predykcji oraz dopasowanie modelu do charakteru danych.
Tworzenie reguł decyzyjnych na podstawie danych wymaga zrozumienia sposobu podziału obserwacji. W tej części wyjaśnione zostają algorytmy stojące za drzewami decyzyjnymi, ich założenia teoretyczne oraz różnice względem metod liniowych.
Random Forest opiera się na łączeniu wielu drzew decyzyjnych w celu poprawy stabilności predykcji. Sekcja porządkuje podstawy teoretyczne tej metody, omawia najważniejsze parametry i pokazuje, jak ich przetwarzanie wpływa na działanie modelu.
Wykresy pozwalają przełożyć surowe dane na wnioski użyteczne analitycznie. Uczestnicy pracują z podstawowymi typami wizualizacji i uczą się rozpoznawać korelacje między zmiennymi, aby trafniej interpretować zależności i przygotować grunt pod modelowanie.
Rzetelne wdrażanie modeli wymaga uporządkowanego podejścia do testowania. Ta część koncentruje się na weryfikacji modeli Machine Learning, odróżnianiu wyników treningowych od rzeczywistej jakości działania oraz wykrywaniu problemów zniekształcających ocenę.
Podstawy obsługi komputera - Powinieneś swobodnie pracować na komputerze, instalować programy, zarządzać plikami i uruchamiać aplikacje, aby bez problemu wykonywać ćwiczenia podczas szkolenia.
Podstawy logiki i matematyki - Powinieneś rozumieć podstawowe działania algebraiczne, pojęcie zmiennej, procenty i zależności między wartościami, aby łatwiej analizować dane i interpretować wyniki modeli.
Umiejętność pracy z danymi - Powinieneś mieć podstawowe doświadczenie z tabelami danych, na przykład w Excelu lub podobnym narzędziu, aby sprawnie rozumieć rekordy, kolumny i proste operacje na danych.
Gotowość do pisania kodu - Powinieneś być gotowy do samodzielnego pisania i poprawiania prostych fragmentów kodu, ponieważ szkolenie obejmuje ćwiczenia praktyczne i pracę na przykładach w Pythonie.
