Sprawny pipeline NLP - Nauczysz się przechodzić przez cały proces klasyfikacji tekstu: od przygotowania danych i etykiet, przez preprocessing, po wybór modelu i ocenę wyników na spójnym pipeline.
Lepsze przygotowanie tekstu - Opanujesz czyszczenie danych, tokenizację, normalizację, usuwanie stop words oraz lematyzację i stemming, dzięki czemu przygotujesz tekst pod model bez zbędnego szumu.
Świadomy dobór reprezentacji - Zobaczysz, kiedy użyć Bag of Words, TF-IDF lub embeddingów, i zrozumiesz, jak wybór reprezentacji wpływa na jakość klasyfikacji, szybkość działania i interpretowalność.
Porównanie modeli w praktyce - Przećwiczysz pracę z regresją logistyczną, Naive Bayes, drzewami, Random Forest i SVM, aby dobrać algorytm do danych, celu biznesowego oraz ograniczeń wdrożeniowych.
Rzetelna ewaluacja wyników - Nauczysz się interpretować Accuracy, Precision, Recall, F1-score i macierz pomyłek, dobierać metryki do problemu oraz analizować błędy modelu na podstawie konkretnych wyników.
Automatyzacja w scikit-learn - Zbudujesz powtarzalny workflow z użyciem pipeline w scikit-learn, podziału train/test/validation i strojenia hiperparametrów, co ułatwi Ci rozwijanie i testowanie modeli.
Praca na realnych danych - Dowiesz się, jak przygotować dataset, wykrywać problemy jakości danych i radzić sobie z niezbalansowanymi klasami, co przełoży się na bardziej stabilne wyniki w rzeczywistych projektach.
Gotowość do wdrożenia - Poznasz serializację modeli, integrację z API, monitorowanie działania i retraining, dzięki czemu przejdziesz od notebooka do rozwiązania, które można utrzymywać na produkcji.
Podstawy Python - Powinieneś swobodnie pisać proste skrypty w Pythonie, pracować na zmiennych, listach i funkcjach oraz uruchamiać kod w notebooku lub lokalnym środowisku.
Znajomość pracy z danymi - Powinieneś umieć wczytać dane z pliku, wykonać podstawowe filtrowanie i sprawdzić strukturę tabeli, najlepiej z użyciem pandas lub podobnego narzędzia.
Podstawy uczenia maszynowego - Powinieneś rozumieć, czym są dane treningowe, testowe, cechy, etykiety i predykcja, aby swobodnie śledzić budowę oraz ocenę modeli klasyfikacyjnych.
Komfort pracy z kodem - Powinieneś czuć się pewnie podczas uruchamiania gotowych fragmentów kodu, instalowania bibliotek i poprawiania prostych błędów pojawiających się w trakcie ćwiczeń.
