Kurs Uczenie maszynowe z wykorzystaniem Pythona

1. Wprowadzenie do uczenia maszynowego

• podstawowe pojęcia i definicje w kontekście rzeczywistych zastosowań,
• przegląd najpopularniejszych frameworków: scikit-learn, TensorFlow, PyTorch,
• praktyczne zastosowania ML w biznesie - case studies,
• konfiguracja środowiska programistycznego (Anaconda, Jupyter).

2. Podstawowe metody uczenia maszynowego

• klasyfikacja metod ML z przykładami biznesowymi,
• uczenie nadzorowane: implementacja w scikit-learn,
• uczenie nienadzorowane: clustering w praktyce,
• Hands-on projekt: Predykcja zachowań klientów.

3. Proces uczenia maszynowego

• od danych do modelu,
• eksploracja danych,
• przygotowanie danych.

4. Podział danych

• zbiór uczący i zbiór testowy.

5. Szkolenie i walidacja modeli

• szkolenie modelu,
• walidacja modelu,
• przeuczenie modelu: jak go unikać?

6. Przegląd techniki i algorytmów

• techniki redukcji wymiarowości danych,
• Principal Component Analysis (PCA),
• Linear Discriminant Analysis (LDA).

7. Metody regresji

• regresja liniowa,
• regresja wielomianowa,
• regresja logistyczna.

8. Klasyfikacja i grupowanie danych

• drzewa decyzyjne,
• sztuczne sieci neuronowe,
• łączenie klasyfikatorów.

9. Proces selekcji modelu

• jak dobrać najlepszy model do zadania,
• omówienie kryteriów wyboru modelu,
• techniki walidacji krzyżowej.

10. Wizualizacja i interpretacja wyników

• zaawansowana wizualizacja z matplotlib i seaborn,
• interpretacja wyników z wykorzystaniem SHAP values,
• dashboardy w Streamlit i Plotly,
• projekt końcowy: Budowa kompletnego systemu ML.