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.
Praktyczne zastosowania w biznesie wyznaczają kontekst dla podstawowych pojęć i definicji związanych z ML. Omawiane są frameworki scikit-learn, TensorFlow i PyTorch, a także konfiguracja środowiska pracy w Anaconda i Jupyter na potrzeby dalszych ćwiczeń.
Na przykładach biznesowych porządkowane są główne klasy metod ML oraz ich praktyczne zastosowania. Uczestnicy pracują z uczeniem nadzorowanym w scikit-learn, poznają clustering jako formę uczenia nienadzorowanego i realizują projekt predykcji zachowań klientów.
Od analizy danych zaczyna się droga do modelu, dlatego ważne jest właściwe uporządkowanie kolejnych etapów pracy. Sekcja obejmuje eksplorację danych, rozpoznawanie istotnych zależności i problemów oraz przygotowanie zbiorów do dalszego uczenia.
Podział na zbiór uczący i testowy stanowi podstawę wiarygodnej oceny jakości modelu. Uczestnicy analizują, jak rozdzielenie danych wpływa na późniejsze etapy pracy, pozwala uniknąć błędnej interpretacji wyników i wspiera obiektywne testowanie rozwiązania.
Między budową modelu a jego użyciem kluczowe miejsce zajmuje sprawdzenie, czy wyniki przenoszą się na nowe dane. Ta część łączy proces treningu z walidacją i wyjaśnia mechanizm przeuczenia, a także sposoby jego rozpoznawania i ograniczania.
Przy dużej liczbie cech analiza staje się trudniejsza, a modele mogą tracić przejrzystość i efektywność. Dlatego sekcja koncentruje się na redukcji wymiarowości danych, w tym na PCA i LDA, pokazując ich zastosowanie do uproszczenia struktury informacji.
Metody regresji pozwalają opisywać zależności między zmiennymi i budować modele dla różnych typów problemów. Omawiane są regresja liniowa, wielomianowa oraz logistyczna, z uwzględnieniem tego, do jakich zadań każda z nich jest najlepiej dopasowana.
Drzewa decyzyjne, sztuczne sieci neuronowe i metody łączenia klasyfikatorów pokazują różne sposoby rozwiązywania zadań predykcyjnych. Nacisk położono na logikę działania tych podejść oraz sytuacje, w których zespoły modeli poprawiają stabilność i jakość klasyfikacji.
Dobór modelu wymaga powiązania charakteru zadania z właściwymi kryteriami oceny i ograniczeniami wdrożeniowymi. Sekcja porządkuje zasady porównywania modeli oraz techniki walidacji krzyżowej, które pomagają podejmować decyzje na podstawie rzetelnych wyników.
Matplotlib i seaborn służą tu do przedstawiania wyników w formie wspierającej analizę modelu, a nie tylko ich prezentację. Uczestnicy poznają też interpretację z użyciem SHAP values, budowę dashboardów w Streamlit i Plotly oraz ich połączenie w projekcie kompletnego systemu ML.
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.
