Kurs Uczenie maszynowe w praktyce – Python i modele predykcyjne

1. Wprowadzenie do machine learning

• typy uczenia maszynowego,
• proces budowy modelu (pipeline ML),
• podział danych (train/test),
• narzędzia i biblioteki (scikit-learn, pandas, numpy).

2. Regresja – wprowadzenie (regresja liniowa)

• czym jest regresja,
• regresja liniowa – założenia i działanie,
• budowa modelu regresji w Pythonie,
• interpretacja wyników modelu.

3. Regresja – preprocessing i przygotowanie danych

• czyszczenie danych,
• obsługa brakujących wartości,
• skalowanie i normalizacja,
• kodowanie zmiennych kategorycznych,
• Feature engineering (wprowadzenie).

4. Regresja – metryki ewaluacji

• MSE, RMSE,
• MAE,
• R² (współczynnik determinacji),
• interpretacja wyników modeli.

5. Regresja – overfitting i regularyzacja

• overfitting vs underfitting,
• walidacja krzyżowa (cross-validation),
• regularyzacja (L1, L2 – Ridge, Lasso),
• dobór złożoności modelu.

6. Regresja – optymalizacja modeli

• wprowadzenie do strojenia hiperparametrów,
• Grid Search,
• Random Search (wprowadzenie),
• Pipeline w scikit-learn.

7. Klasyfikacja – algorytmy

• wprowadzenie do klasyfikacji,
• regresja logistyczna,
• drzewa decyzyjne,
• Random Forest (wprowadzenie),
• KNN (k-Nearest Neighbors).

8. Klasyfikacja – ewaluacja modeli

• Accuracy, Precision, Recall, F1-score,
• macierz pomyłek (confusion matrix),
• ROC i AUC,
• walidacja modeli.

9. Klasyfikacja tekstu

• wprowadzenie do NLP w ML,
• reprezentacja tekstu (Bag of Words, TF-IDF),
• budowa modelu klasyfikacji tekstu,
• przykłady zastosowań (analiza opinii, kategoryzacja).

10. Dobre praktyki pracy z modelami ML

• pipeline end-to-end,
• reprodukowalność wyników,
• interpretowalność modeli,
• przygotowanie modeli do wdrożenia.