Rozumienie ML w praktyce - Zrozumiesz, jak działają najważniejsze podejścia w uczeniu maszynowym i kiedy warto je stosować, dzięki czemu łatwiej przełożysz potrzeby biznesowe na konkretne rozwiązania analityczne.
Praca w gotowym środowisku - Samodzielnie skonfigurujesz środowisko pracy w Anacondzie i Jupyterze oraz nauczysz się wygodnie uruchamiać eksperymenty, co pozwoli Ci szybciej rozwijać i testować modele w Pythonie.
Implementacja modeli w Pythonie - Przećwiczysz implementację metod nadzorowanych i nienadzorowanych w scikit-learn, więc po szkoleniu sprawnie zbudujesz pierwszy model klasyfikacji, regresji lub grupowania danych.
Lepsze przygotowanie danych - Nauczysz się przechodzić od surowych danych do zestawu gotowego do modelowania, wykonując eksplorację, czyszczenie i przygotowanie danych tak, aby poprawić jakość wyników modelu.
Rzetelna ocena jakości modeli - Dowiesz się, jak dzielić dane na zbiory uczące i testowe, prowadzić walidację oraz rozpoznawać przeuczenie, dzięki czemu trafniej ocenisz, czy model zadziała poza próbką treningową.
Dobór właściwego algorytmu - Poznasz regresję, drzewa decyzyjne, sieci neuronowe, PCA i LDA oraz kryteria wyboru modelu, więc łatwiej dobierzesz technikę do celu biznesowego i charakteru danych.
Interpretacja wyników - Nauczysz się wizualizować wyniki w matplotlib i seaborn oraz interpretować predykcje z użyciem SHAP, dzięki czemu lepiej wyjaśnisz działanie modelu zespołowi i interesariuszom.
Kompletny projekt ML - Wykonasz praktyczne projekty, w tym predykcję zachowań klientów i budowę pełnego systemu ML ze Streamlit i Plotly, co da Ci namacalny wzorzec do wykorzystania w codziennej pracy.
Podstawy Pythona - Powinieneś swobodnie pisać proste skrypty w Pythonie, korzystać ze zmiennych, pętli, funkcji i instrukcji warunkowych, aby skupić się na modelach, a nie na podstawach języka.
Praca z danymi tabelarycznymi - Powinieneś rozumieć strukturę danych w tabelach, kolumnach i rekordach oraz umieć wykonywać podstawowe operacje na plikach CSV i DataFrame, by sprawnie pracować na przykładach.
Podstawy statystyki - Powinieneś znać pojęcia takie jak średnia, mediana, odchylenie standardowe, korelacja i rozkład danych, ponieważ są one potrzebne do analizy, walidacji i oceny modeli.
Obsługa środowiska programistycznego - Powinieneś umieć uruchamiać Python na swoim komputerze, instalować biblioteki i pracować z notatnikami lub IDE, aby bez problemu realizować ćwiczenia podczas szkolenia.
