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.
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.
