Rozumienie ML w praktyce - Uporządkujesz pojęcia związane z Machine Learning i nauczysz się rozpoznawać, kiedy warto użyć klasyfikacji, klasteryzacji lub redukcji wymiarów w konkretnych zadaniach.
Lepsze dopasowanie modeli - Zrozumiesz, jak rozpoznawać overfitting i underfitting, dzięki czemu zaczniesz trafniej oceniać jakość modeli i ograniczysz ryzyko błędnych wniosków z danych.
Praca w SciKit Learn - Przećwiczysz podstawy pracy ze SciKit Learn, więc łatwiej zbudujesz własny pipeline analityczny, uruchomisz modele i porównasz ich wyniki w spójnym środowisku.
Szybki start w Google Colab - Nauczysz się korzystać z Google Colab, co pozwoli Ci uruchamiać notebooki bez lokalnej konfiguracji, wygodnie testować kod i szybciej przechodzić od pomysłu do eksperymentu.
Pełny proces budowy modelu - Poznasz etapy tworzenia rozwiązań ML od przygotowania danych po ocenę modelu, dzięki czemu łatwiej zaplanujesz własne projekty i unikniesz chaotycznego działania.
Ocena i porównywanie modeli - Nauczysz się dobierać metryki, analizować klasyfikatory oraz rozumieć wyniki modeli supervised learning, co ułatwi Ci świadome porównywanie różnych podejść.
Analiza danych bez etykiet - Dowiesz się, jak stosować klasteryzację, redukcję wymiarów, kroswalidację i stratyfikację, aby lepiej pracować z danymi bez etykiet i rzetelniej testować modele.
Podstawy sieci i Computer Vision - Poznasz budowę sieci neuronowych oraz podstawy klasyfikacji obrazów, więc zrozumiesz, jak działa Deep Learning i jak wykorzystać go w zadaniach computer vision.
Podstawy pracy z komputerem - Powinieneś swobodnie obsługiwać komputer, przeglądarkę i pliki, ponieważ podczas szkolenia będziesz pracować w środowisku notebooków oraz wykonywać ćwiczenia praktyczne.
Podstawy programowania - Powinieneś znać podstawy programowania i rozumieć takie elementy jak zmienne, instrukcje warunkowe oraz pętle, aby sprawnie śledzić przykłady i samodzielnie je modyfikować.
Podstawy analizy danych - Powinieneś rozumieć podstawowe pojęcia pracy z danymi, takie jak tabela, kolumna, rekord i zbiór danych, aby łatwiej analizować przykłady oraz interpretować wyniki modeli.
Podstawy matematyki - Powinieneś mieć opanowane podstawy matematyki na poziomie szkolnym, zwłaszcza odczytywanie wykresów i proste zależności liczbowe, by rozumieć działanie metryk i modeli.
