Pełny obraz procesu ML - Uporządkujesz cały proces budowy modeli predykcyjnych: od podziału danych i przygotowania zbioru po trening, ocenę i dalsze ulepszanie modelu w praktycznym pipeline ML.
Regresja w Pythonie od podstaw - Samodzielnie zbudujesz model regresji liniowej w Pythonie, zrozumiesz jego założenia i nauczysz się interpretować wyniki tak, aby wyciągać z nich użyteczne wnioski biznesowe.
Lepsze przygotowanie danych - Nauczysz się czyścić dane, uzupełniać braki, skalować cechy i kodować zmienne kategoryczne, dzięki czemu przygotujesz dane wejściowe, które realnie poprawiają jakość modeli.
Pewna ocena jakości modeli - Będziesz dobierać właściwe metryki dla regresji i klasyfikacji, takie jak RMSE, MAE, R², Precision czy AUC, oraz poprawnie interpretować wyniki zamiast zgadywać skuteczność modelu.
Kontrola overfittingu - Dowiesz się, jak rozpoznawać overfitting i underfitting, stosować walidację krzyżową oraz regularyzację Ridge i Lasso, aby tworzyć modele, które dobrze działają także na nowych danych.
Strojenie i pipeline - Przećwiczysz Grid Search, poznasz podstawy Random Search i zbudujesz pipeline w scikit-learn, co pozwoli Ci szybciej testować warianty modeli i porządkować pracę nad eksperymentami.
Różne algorytmy klasyfikacji - Porównasz regresję logistyczną, drzewa decyzyjne, Random Forest i KNN, dzięki czemu nauczysz się dobierać algorytm do problemu klasyfikacyjnego zamiast opierać się na jednym podejściu.
Klasyfikacja tekstu w praktyce - Zbudujesz prosty model klasyfikacji tekstu z użyciem reprezentacji Bag of Words i TF-IDF, co da Ci bazę do analizy opinii, tagowania treści i innych zastosowań NLP w pracy.
Podstawy Pythona - Powinieneś swobodnie pisać proste skrypty w Pythonie, używać zmiennych, pętli, funkcji i importów, aby skupić się na modelach zamiast na nauce składni.
Praca z danymi tabelarycznymi - Powinieneś rozumieć wiersze, kolumny, typy danych i podstawowe operacje na tabelach, aby sprawnie pracować z danymi wejściowymi w pandas i przygotowywać zbiory.
Podstawy matematyki - Powinieneś znać podstawy algebry i statystyki, takie jak średnia, odchylenie i zależność między zmiennymi, aby łatwiej rozumieć działanie modeli i metryk.
Obsługa środowiska pracy - Powinieneś umieć uruchomić notebook lub skrypt, instalować biblioteki i pracować w podstawowym środowisku programistycznym, by sprawnie wykonywać ćwiczenia.
