Machine Learning z użyciem języka Python. Zagadnienia zaawansowane

    Czas trwania
    Godzina rozpoczęcia
    Stopień trudności

      Machine Learning z użyciem języka Python. Zagadnienia zaawansowane


      O szkoleniu

      Szkolenie mające na celu wprowadzenie uczestników w zaawansowane zagadnienia związane z tworzenie algorytmów aplikacji opartych o modele uczenia maszynowego i głębokiego z użyciem wybranych pakietów języka Python.

        Poznaj program szkolenia

        Co zyskasz dzięki szkoleniu ?

        Cele szkolenia

        Cele szkolenia to: wprowadzenie uczestników w zaawansowane zagadnienia związane z tworzenie algorytmów  aplikacji opartych o modele uczenia maszynowego i głębokiego z użyciem wybranych pakietów języka Python. Przygotowanie uczestników do wyboru odpowiedniej ścieżki rozwiązania danego problemu i wykorzystania do tego celu stosownych narzędzi.

        Umiejętności

        Dzięki szkoleniu uczestnik będzie potrafił:

        • Używać NLP do analizy tekstu
        • Stosować narzędzia IBM Watson.
        • Wykorzystać praktycznie wiedzę na temat modeli uczenia: nienadzorowanego oraz częściowo-nazdzorowanego
        • Analizować dane za pomocą sieci DBN
        • Stosować autoenkodery
        • Wdrażać konwolucyjne sieci neuronowe
        • Używać metod zespołowych
        • Korzystać z metod  i bibliotek uczenia głębokiego
        • Używać narzędzi związanych z Big Data
        Czy to szkolenie jest dla Ciebie ?

        Profil uczestników

        Szkolenie przeznaczone jest dla programistów języka Python, którzy chcą poszerzyć swoją wiedzę o zaawansowane struktury Machine Learning i Deep Learning w implementacji języka Python oraz umiejętność projektowania algorytmów ML dla konkretnych przypadków.

        Przygotowanie uczestników

        Uczestnik powinien posiadać wiedzę i doświadczenie w programowaniu w języku Python na poziomie średniozaawansowanym  (zakres kursu podstawowego i warsztatów średniozaawansowanych) oraz średniozaawansowaną  wiedzę z zakresu Machine Learning i Deep Learning (biblioteki scikit-learn oraz TensorFlow języka Python).

        Czas trwania
        Przed nami:
        • 4 dni, 32 godziny szkoleniowe
        Szczegółowy program szkolenia

        Szczegółowy program szkolenia

        Przypomnienie wybranych zagadnień uczenia maszynowego i głębokiego

        Rozpoznawanie języka naturalnego

        • Cechy słów i cechy danych tekstowych
        • Zbiory danych NLP
        • Analiza cech i selekcja na podstawie danych tekstowych
        • Selekcja cech pod kątem Uczenia Maszynowego
        • Biblioteka TextBlob
        • Wizualizacja statystyki słów
        • Ocenianie czytelności tekstu – biblioteka Textatistic
        • Rozpoznawanie encji – biblioteka spaCy
        • Podobieństwo dokumentów
        • Zastosowanie NLP w uczeniu głębokim i maszynowym
        Przetwarzanie poznawcze  - IBM Watson
        • IBM Cloud – konto i usługi
        • Narzędzia platformy Watson
        • Przykłady zastosowania IBM Watson
        • Zasoby powiązanie z Watson
        Uczenie nienadzorowane
        • Analiza głównych składowych
        • Metoda k-średnich
        • Grupowanie
        • Sieci Kohonena
        • Przykłady -  analiza przypadków
        Częściowo – nadzorowane uczenie maszynowe
        • Czym jest uczenie częściowo-nazdzorowane
        • Algorytmy uczenia częściowo-nazdzorowanego
        • Kontrastywna pesymistyczna estymacja prawdopodobieństwa
        • Przykłady -  analiza przypadków
        Sieci DBN
        • Wprowadzenie do sieci neuronowych
        • Ograniczona Maszyna Boltzmanna
        • Sieci głębokie
        • Trenowanie sieci DBN i inne operacje
        • Przykłady -  analiza przypadków
        Stosy autoenkoderów odszumiających
        • Autoenkodery
        • Odszumianie autoenkoderów
        • Stosy autoenkoderów odszumiających
        • Ocena wydajności stosu autoenkoderów odszumiających
        Konwolucyjne sieci neuronowe i ich topologia

        Metody zespołowe
        • Metody uśredniające, wzmacniania i kontaminacji
        • Wykorzystanie modeli w zastosowaniach dynamicznych
        • Elastyczność modelu
        • Strategie zarządzania elastycznością modelu
        Głębokie uczenie
        • Uczenie głębokie
        • Bilbioteka Keras
        • Konwolucyjne sieci neuronowe i widzenie komputerowe: wieloklasyfikacja w zbiorze „MNIST”
        • TensorBoard — wizualizacja trenowania sieci
        • ConvNetJS: wizualizacja trenowania w oknie przeglądarki WWW
        • Rekurencyjne sieci neuronowe i ciągi danych: analiza sentymentu w zbiorze „IMDb”
        • Dostrajanie modeli głębokiego uczenia
        Big Data: Hadoop, Spark, NoSQL i IoT
        • Relacyjne bazy danych i język SQL
        • Bazy danych NoSQL i NewSQL dla Big Data
        • Hadoop
        • Spark
        • Internet rzeczy (IoT) i dashboardy
        Projektowanie algorytmów Uczenia maszynowego i głębokiego do rozwiązania konkretnych problemów.

        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

        Ścieżka rozwoju

        Sprawdź pełną ścieżkę rozwoju w języku Python!

        W ramach szkolenia zapewniamy

        W ramach szkolenia zapewniamy

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

        Podobne szkolenia

        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.

        Zobacz ścieżkę!