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
      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!