Praktyczny start z ML - Nauczysz się budować pierwsze modele uczenia maszynowego w scikit-learn i TensorFlow, dzięki czemu szybciej przejdziesz od teorii do działającego rozwiązania w kodzie.
Modele dla realnych danych - Przećwiczysz klasyfikację i regresję na rzeczywistych przypadkach biznesowych, więc łatwiej przygotujesz model, który odpowiada na konkretny problem produktowy lub operacyjny.
Gotowe środowisko pracy - Skonfigurujesz kompletne środowisko ML w Jupyterze i poznasz codzienny workflow z NumPy, Pandas oraz Scikit-learn, aby sprawniej analizować dane i testować pomysły.
Szerszy warsztat algorytmiczny - Zaimportujesz i porównasz drzewa decyzyjne, lasy losowe oraz sieci neuronowe, dzięki czemu dobierzesz technikę do typu danych, skali zadania i oczekiwanej jakości predykcji.
Lepsze przygotowanie danych - Opanujesz czyszczenie danych, skalowanie, normalizację i obsługę braków oraz odstających wartości, co pozwoli Ci tworzyć stabilniejsze pipeline'y i ograniczać błędy modeli.
Skuteczniejsza optymalizacja - Nauczysz się stosować walidację krzyżową, strojenie hiperparametrów i redukcję wymiarowości, aby podnosić jakość modeli bez zgadywania i marnowania czasu na przypadkowe próby.
Wdrażanie modeli do produkcji - Zobaczysz, jak przygotować model do działania w API i mikrousługach, monitorować jego pracę oraz zarządzać wersjami danych i modeli w środowisku produkcyjnym.
Testowanie i utrzymanie ML - Poznasz praktyki testowania, walidacji i debugowania rozwiązań ML, dzięki czemu wcześniej wychwycisz błędy, ograniczysz dług techniczny i łatwiej rozwiniesz projekt dalej.
Na początku uczestnicy pracują z ML w ujęciu praktycznym, korzystając ze scikit-learn i TensorFlow na przykładach biznesowych. Sekcja obejmuje różne typy uczenia oraz samodzielną budowę pierwszego modelu klasyfikacji klientów w formule hands-on.
Środowisko pracy ma znaczenie dla tempa eksperymentów i jakości kodu analitycznego. Ta część obejmuje konfigurację kompletnego zaplecza ML w Jupyterze oraz praktyczne użycie bibliotek NumPy, Pandas i Scikit-learn w codziennych zadaniach projektowych.
Od implementacji podstawowych metod zaczyna się zrozumienie mechaniki działania modeli. Uczestnicy programują algorytmy regresji i klasyfikacji, wdrażają drzewa decyzyjne oraz lasy losowe, tworzą sieci neuronowe od podstaw i pracują nad optymalizacją rozwiązań ML.
Jakość cech i spójność przetwarzania bezpośrednio wpływają na stabilność dalszego modelowania. W tej sekcji znajdują się techniki czyszczenia i transformacji danych, projektowanie pipeline’ów, skalowanie i normalizacja oraz obsługa braków i obserwacji odstających.
Redukcja wymiarowości, walidacja krzyżowa i strojenie wydajności są tu traktowane jako element warsztatu programistycznego. Sekcja pokazuje, jak implementować te techniki w kodzie, aby rzetelnie porównywać modele i poprawiać ich działanie na bardziej wymagających danych.
Architektura środowiska produkcyjnego wyznacza sposób wdrażania i utrzymania modeli w praktyce. Omawiane są systemy ML w produkcji, Continuous Integration/Deployment dla ML, wersjonowanie modeli i danych, a także monitoring oraz aktualizacje po wdrożeniu.
Wiarygodność modelu zależy nie tylko od danych, ale też od sposobu sprawdzania poprawności implementacji. Ujęto tu strategie testowania rozwiązań ML oraz metody walidacji i weryfikacji, które pomagają wychwycić błędy, niestabilność i nieprawidłowe predykcje.
Przy rosnącej złożoności modeli trzeba równoważyć jakość wyników z kosztem obliczeń. Ten blok obejmuje techniki optymalizacji hiperparametrów oraz sposoby zarządzania zasobami obliczeniowymi, tak aby trenowanie i uruchamianie modeli przebiegało efektywnie.
Aby model działał poza środowiskiem eksperymentalnym, musi zostać osadzony w istniejącej infrastrukturze. Część poświęcono API i mikrousługom, integracji z bazami danych oraz systemami biznesowymi, obsłudze żądań w czasie rzeczywistym, bezpieczeństwu i monitoringowi.
Gdy rozwiązania ML rozwijają się w dłuższym cyklu życia, kluczowe stają się decyzje architektoniczne i porządek w kodzie. Sekcja koncentruje się na zarządzaniu długiem technicznym oraz planowaniu rozwoju systemu tak, aby zachować jego skalowalność i możliwość dalszych zmian.
Podstawy programowania w Pythonie - Powinieneś swobodnie pisać proste skrypty w Pythonie, używać funkcji, pętli i warunków oraz czytać cudzy kod, aby skupić się na ML zamiast na podstawach języka.
Praca z danymi i kodem - Powinieneś rozumieć, jak wczytać dane, uruchomić kod i pracować w narzędziach programistycznych, aby sprawnie wykonywać ćwiczenia w Jupyterze i bibliotekach ML.
Podstawy matematyki - Powinieneś znać podstawy algebry liniowej, statystyki i interpretacji wykresów, bo ułatwi Ci to zrozumienie działania modeli, metryk i transformacji danych.
Znajomość praktyk developerskich - Powinieneś mieć doświadczenie w tworzeniu i uruchamianiu aplikacji lub skryptów, aby łatwiej zrozumieć wdrażanie modeli, testowanie i integrację z systemami.
