SO-Python-06 Uczenie maszynowe w języku Python

Szkolenie ma charakter praktyczny i jest realizowane w formie warsztatów komputerowych z elementami wykładu oraz dyskusji. Uczestnicy pracują na rzeczywistych przykładach danych, samodzielnie budując modele uczenia maszynowego w języku Python.

Program obejmuje zarówno podstawy pracy z danymi, jak i budowę, ocenę oraz optymalizację modeli machine learning, a także wprowadzenie do sieci neuronowych i uczenia głębokiego.

DZIEŃ 1 – Wprowadzenie do pracy z danymi i pierwsze modele ML

1. Wprowadzenie do szkolenia i środowiska pracy

• Wprowadzenie do uczenia maszynowego
• Omówienie zastosowań ML w analizie danych
• Konfiguracja środowiska pracy (Python, Jupyter, zależności)
• Organizacja projektu analitycznego

2. Podstawy pracy z danymi w Pythonie

• Biblioteka NumPy – operacje na tablicach numerycznych
• Biblioteka Pandas – Series i DataFrame
• Wczytywanie danych z plików (różne formaty)
• Filtrowanie, agregacja i transformacja danych

3. Pierwszy model uczenia maszynowego

• Wprowadzenie do biblioteki scikit-learn
• Przygotowanie danych do modelowania
• Klasyfikacja na przykładzie zbioru Iris
• Interpretacja wyników modelu

DZIEŃ 2 – Eksploracja danych i klasyczne algorytmy uczenia maszynowego

4. Eksploracja i wizualizacja danych (EDA)

• Podstawy eksploracyjnej analizy danych
• Wizualizacja danych (Matplotlib, Seaborn, Plotly)
• Kodowanie zmiennych kategorycznych
• Obsługa brakujących danych
• Standaryzacja i skalowanie cech
• Selekcja cech i redukcja wymiarowości

5. Fundamenty uczenia maszynowego

• Podział danych: treningowy, walidacyjny, testowy
• Regresja liniowa
• Regresja logistyczna
• Miary oceny modeli
• Losowość i replikowalność wyników
• Walidacja krzyżowa (cross-validation)

DZIEŃ 3 – Zaawansowane algorytmy i wprowadzenie do deep learning

6. Strojenie modeli

• Optymalizacja hiperparametrów
• Grid Search
• Random Search
• Wpływ hiperparametrów na jakość modelu

7. Klasyczne algorytmy uczenia maszynowego

• k-NN (k najbliższych sąsiadów)
• Drzewa decyzyjne
• Lasy losowe
• SVM (maszyny wektorów nośnych)
• Klasteryzacja k-średnich

8. Wprowadzenie do sieci neuronowych

• Podstawy działania sieci neuronowych
• Perceptron i MLP
• Implementacja w scikit-learn
• Uczenie batchowe i online

9. Wprowadzenie do uczenia głębokiego

• Podstawy deep learning
• Architektura głębokich sieci neuronowych
• Implementacja w Keras
• Trenowanie i ewaluacja modeli