Machine Learning i Deep Learning
Zastosowanie bibliotek scikit-learn i TensorFlow 2
Poznaj program szkolenia
- Co zyskasz dzięki szkoleniu ?
Cele szkolenia
Cele szkolenia to: wprowadzenie uczestników w zaawansowane zagadnienia związane z definiowaniem i programowaniem aplikacji opartych o modele uczenia maszynowego i głębokiego z użyciem wybranych pakietów języka Python: scikit-learn oraz TensorFlow, opanowanie zagadnień związanych z wyborem modelu uczenia oraz doboru właściwego algorytmu a finalnie narzędzi, które pozwolą skutecznie rozwiązać zadanie.
UmiejętnościDzięki szkoleniu uczestnik będzie potrafił:
- Stosować język Python w programowaniu algorytmów I struktur Machine Learning I Deep Learning
- Używać funkcji pakietu scikit-learn
- Stosować Pakiet scikit-learn do rozwiązywania złożonych problemów.
- Wykorzystać praktycznie wiedzę na temat modeli uczenia
- Używać funkcji pakietu TensorFlow
- Stosować Pakiet TensorFlow do rozwiązywania problemów opartych na użyciu sieci neuronowych
- Wdrażać rozwiązania należące do kategorii: Machine Learning i Deep Learning
- Programować aplikacje realizujące algorytmy i modele Machine Learning
- Korzystać z biblioteki Keras
- Czy to szkolenie jest dla Ciebie ?
Profil uczestników
Szkolenie przeznaczone jest dla programistów języka Python, którzy chcą poszerzyć swoją wiedzę o struktury Machine Learning i Deep Learning w implementacji języka Python szczególnie z użyciem pakietów scikit-learn oraz TensorFlow.
Przygotowanie uczestników
Uczestnik powinien posiadać wiedzę i doświadczenie w programowaniu w języku Python na poziomie średniozaawansowanym (zakres kursu podstawowego i warsztatów średniozaawansowanych) oraz podstawową wiedzę z zakresu Machine Learning i Deep Learning.
- Czas trwania
-
Przed nami:
- 4 dni, 32 godziny szkoleniowe
- Szczegółowy program szkolenia
Szczegółowy program szkolenia
Wstęp do uczenia maszynowego i głębokiego
Pakiet Scikit – learn- Konstrukcja pakietu
Rodzaje uczenia:
- Nadzorowane
- Nienadzorowane
- Uczenie przez wzmocnienie
Wybór i ocena modelu
Inspekcja
Wizualizacje
Przetwarzanie zbiorów danych
Narzędzia do ładowania zbiorów danych
Obliczanie z wykorzystaniem scikit-learn
Model - trwałość modelu- Przypadki uczenia - analiza wybranych algorytmów
- Uczenie nadzorowane
- Uczenie nienadzorowane
- Uczenie ze wzmocnieniem
- Wybór i ocena modelu
- Kontrola i wizualizacja
Przekszatałcenia zbiorów danych
- Narzędzia do ładowania zbiorów danych
- Obliczenia z wykorzystaniem pakietu
- Trwałość modelu
- Typowe pułapki i dobre praktyki
Pakiet TensorFlow
- Konfigurowanie i podstawowe użycie
- Sztuczne sieci neuronowe
- Tensory
- Zmienne
- Automatyczne róźnicowanie
- Wykresy i funkcje TF
- Moduły, warstwy i modele
- Pętle treningowe
- Automatyczne różnicowanie
- Poszarpany Tensor
Zastosowania uczenia maszynowego
- Aplikacja sieciowa, z modelem uczenia się
- Analiza obrazów - rozpoznawanie obrazów
- Uczenie przez wzmacnianie
- Modelowanie danych – rekurencyjne sieci neuronowe
Deep Learning (uczenie głębokie) – zastosowania bibiliotek scikit-learn oraz keras
Co dalej? Ścieżka edukacyjnaMetoda realizacji szkolenia
Szkolenie jest realizowane różnymi metodami takimi jak, mikrowykład, ćwiczenia współne, ćwiczenia indywidualne, praca indywidualna, z głębokim naciskiem położonym na aspekt praktyczny programowania
- Ścieżka rozwoju
- Machine Learning z użyciem języka Python – poziom zaawansowany
- Algorytmy AI – implementacja w języku Python
- W ramach szkolenia zapewniamy
W ramach szkolenia zapewniamy
- materiały szkoleniowe
- certyfikat potwierdzający udział w kursie
- pełna obsługa cateringowa (dla szkoleń stacjonarnych)
- Informacje techniczne
Wymagania techniczne: Procesor – minimum 4 rdzenie, pamięć minimum 8GB RAM, interpreter języka python (strona python.org), IDE: MS Visual Studio 2019 – z instalacją pakietu dla Pythona, PyCharm, Conda, Anaconda
Jak zostać Python Developerem?
Sprawdź ścieżkę szkoleniową i przekonaj się, jak nasze kursy poprowadzą Cię krok po kroku przez wszystkie kluczowe aspekty programowania w Pythonie – od podstaw po zaawansowane zagadnienia.