Machine Learning i Deep Learning. Zastosowanie bibliotek scikit-learn i TensorFlow 2

Szklolenie ma na celu wprowadzenie uczestników w zaawansowane zagadnienia związane z definiowaniem i programowaniem aplikacji opartych o modele uczenia maszynowego i głębokiego z użyciem wybranych pakietów języka Python.

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.

Umiejętności

Dzięki 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

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.

Przed nami:

4 dni, 32 godziny szkoleniowe

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 edukacyjna

Metoda realizacji szkolenia

Szkolenie jest realizowane różnymi metodami takimi jak, mikrowykład, ćwiczenia współne, ćwiczenia indywidualne, praca indywidualna, z głębokim naciskiem położonym na aspekt praktyczny programowania

POBIERZ PROGRAM W PDF

W ramach szkolenia zapewniamy

materiały szkoleniowe
certyfikat potwierdzający udział w kursie
pełna obsługa cateringowa (dla szkoleń stacjonarnych)

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

Machine Learning i Deep Learning

Machine Learning i Deep Learning

Zastosowanie bibliotek scikit-learn i TensorFlow 2

O szkoleniu

Poznaj program szkolenia

Podobne szkolenia