Znasz Pythona? Chcesz poznać uczenie maszynowe?
Kurs analizy danych i AI dla programistów.
-
Tematyka:przetwarzanie danych, NumPy, Pandas, pozyskiwanie danych, praca z obiektami Series i DataFrame, wizualizacje - Matplotlib, Seaborn, Plotly, analiza i wnioskowanie statystyczne, predykcje i klasyfikacja dzięki scikit-learn, a także deep learning - nowoczesne narzędzia takie jak Keras, TensorFlow, PyTorch.
-
Czas trwania:96 godzin zegarowych zajęć na żywo
+ 48 godzin pracy w domu z naszymi
materiałami = w sumie 144 godzin -
Tryby zajęć:
- weekendowo (sob-niedz., średnio co 2 tygodnie)
- dziennie (4-dniowe bloki co ok. 2 tygodnie)
-
Grupa:Zajęcia stacjonarne - na sali max 12 osób.
Dla kursów zdalnych - do 17 osób łącznie.
-
Rekrutacja:osoby z podstawową znajomością Pythona
-
Miejsce:Warszawa lub Zdalnie (online na żywo z trenerem i grupą)
-
Elastyczność:a) do 15 dni przed startem można zrezygnować
b) podczas zajęć można:
- przejść z trybu stacjonarnego na zdalny
- ze zdalnego na stacjonarny
- w razie potrzeby otrzymać nagrania z zajęć
- zawiesić uczestnictwo i dokończyć później
(w miarę dostępności miejsc)
-
Cena:5 490 PLN*
Ten kurs przeznaczony jest dla tych, którzy:
- znają podstawy programowania w pythonie,
- potrafią samodzielnie pisać programy, niekoniecznie złożone,
- chcą podwyższyć swoje kwalifikacje / znaleźć lepszą pracę,
- chcą zrozumieć analizę danych i uczenie maszynowe okiem programisty.
Na ten kurs przychodzą osoby, które już miały styczność z programowaniem, ale nie z analizowaniem danych.
Nie chcą
poznawać znowu czym jest zmienna, tylko zrobić następny krok w swojej karierze. Te zajęcia mogą stanowić
kolejny etap
dla osób, które ukończyły nasz kurs Nauka programowania w Pythonie, lub
mają
podobny poziom wiedzy i chcą się rozwijać w kierunku analizowania danych i sztucznej inteligencji (AI), tworzenia systemów eksperckich lub modeli uczenia maszynowego.
Przy czym ukończenie naszego kursu nie jest konieczne żeby dołączyć do grupy.
Nie znasz jeszcze Pythona? I chcesz porządnie nauczyć się go od zera?
Nie znasz Pythona, ale chcesz od razu skupić się na analizie danych a nie na nauce samego programowania, a ten kurs wydaje się za trudny?
Program kursu
Program kursu został stworzony przez informatyków, z najlepszych polskich uczelni, którzy są czynni zawodowo. To bardzo istotne - nasi trenerzy od wielu lat wykonują projekty IT dla firm zewnętrznych, organizacji i instytucji publicznych. Dlatego program tego kursu jest tak dobrze dopasowany do obecnych potrzeb rynku pracy.
Kurs zawiera obszerny zakres materiału. Program kursu jest ułożony tak, abyś w 12 dni mógł przejść wszystkie niezbędne etapy by samodzielnie tworzyć modele uczenia maszynowego.
Czego nauczysz się na kursie?
korzystać ze środowiska do pracy z danymi z wykorzystaniem Pythona (Anaconda, Jupyter Notebook)
przetwarzać dane za pomocą dodatków NumPy i pandas
pozyskiwać dane z różnych źródeł, przygotowywać i czyścić dane
przygotowywać wizualizacje korzystając z pakietów Matplotlib i Seaborn
poznasz podstawy analizy danych i wnioskowania statystycznego
zrozumiesz jak działa uczenie maszynowe oraz deep learning - poznasz nowoczesne narzędzia takie jak Keras, googlowy TensorFlow, czy facebookowy PyTorch
Zapewniamy go! Nowoczesny sprzęt komputerowy będzie do Twojej dyspozycji podczas kursu. Oprócz motywacji i chęci do nauki nie musisz niczego ze sobą zabierać!
Ćwiczymy, ćwiczymy, ćwiczymy
Każdy etap kursu jest wypełniony praktycznymi ćwiczeniami z rzeczywistymi przykładami i problemami jakie mogą Ci się przytrafić podczas pisania w tym języku. Przez cały okres trwania kursu, pod czujnym okiem trenera - aktywnie przećwiczysz każdą poznaną technikę.
Samodzielne ćwiczenia pomiędzy zajęciami w domu
Kurs trwa 96 godzin i jest bardzo intensywny, ale można i warto wyciągnąć z niego jeszcze więcej! Jak to zrobić? Trzeba przyłożyć się do nauki również w domu. Nasi trenerzy zawsze zachęcają do samodzielnej pracy w domu, przygotowują ciekawe zadania, nad którymi pracujesz w przerwie między zajęciami. Duża ilość ćwiczeń sprawi, że utrwalisz zdobytą wiedzę i bardzo szybko opanujesz technologię. Jeśli masz problem z zadaniem - zawsze możesz skontaktować się ze swoim trenerem.
Trenerzy - zawodowi programiści
Nawet najlepiej przygotowany program kursu nie zadziała bez dobrego, otwartego na słuchaczy i doświadczonego wykładowcy. Doskonale o tym wiemy!
Dlatego nasi trenerzy są najlepsi. Mają wieloletnie doświadczenie w szkoleniach, nauczaniu oraz tworzeniu oprogramowania. Są to praktycy - osoby prowadzące żywe, obfitujące w realistyczne przykłady zajęcia.
Marian
Python, Java, Node.js, C#, PHP, Objective-C, C/C++, Perl, AWS, SQL
Specjalista IT z szeroką wiedzą i ponad 20-letnim doświadczeniem, uzyskanym w toku pracy w kilkudziesięciu projektach informatycznych związanych z ich projektowaniem, implementacją oraz kompleksowym zarządzaniu dla przedsiębiorstw z branż: telekomunikacyjnej, ubezpieczeniowej, paliwowej czy retail. Profesjonalista odnoszący sukcesy i niebojący się wyzwań ambitnych projektów. Pasjonat utylitarnego oprogramowania, analizy danych, uczenia maszynowego i sieci neuronowych podnoszący swoje kwalifikacje w ramach licznych szkoleń i studiów.
Absolwent Politechniki Koszalińskiej, gdzie ukończył studia o specjalizacji inżynieria oprogramowania na Wydziale Elektroniki, uzyskując tytuł magistra inżyniera.
Wybrane projekty realizowane przez Mariana: realizacja projektu Inteligentnego Systemu Transportowego zarządzającego ruchem miejskim, wykonanie systemu IoT do procesu monitorowania dostaw wody, wdrożenie w dużej spółce giełdowej aplikacji dla Android OS do rozliczania czasu pracy brygad budowlanych, opracowanie i wykonanie rozwiązania klasy Big Data na potrzeby monitorowania przez domy mediowe zaangażowania użytkowników stron WWW oraz analizator sieci społecznościowych (parsowanie danych z Facebook, Instagram, Twitter). W ALX Marian jest opiekunem merytorycznym gałęzi szkoleniowej dotyczącej Machine Learning oraz autorem kursu „Analiza danych w Pythonie”.
Program szkolenia
- Środowisko pracy analityka
- Anaconda
- Manager pakietów Conda
- Manager pip
- Tworzenie wirtualnego środowiska
- Jupyter notebook
- Markdown
- Elementy notacji Latex
- Anaconda
- Przetwarzanie danych
- Wstęp do NumPy
- Tworzenie wektorów i macierzy
- Przekształcenia, operacje w NumPy
- Wybieranie
- Wektoryzacja
- Broadcasting
- Elementy arytmetyki i algebry przy użyciu NumPy
- Rozwiązywanie równań liniowych
- Wstęp do Pandas
- Serie i ramki danych
- Pozyskiwanie danych z różnych źródeł
- Pliki
- Zasoby w internecie
- Bazy danych
- Przygotowywanie i czyszczenie danych – Operacje i przekształcenia DataFrame
- Usuwanie kolumn i wierszy
- Zmiana wymiarów – reshaping
- Pivoting
- Rangowanie i sortowanie danych
- Łączenie ramek (concatenate, merge, join)
- Wstęp do NumPy
- Analiza danych
- Wizualizacje
- Wprowadzenie do matplotlib
- generowanie wykresów z poziomu pandas
- seaborn i inne narzędzia do wizualizacji danych w Pythonie
- Podstawy analizy statystycznej
- Wnioskowanie statystyczne
- Wizualizacje
- Wstęp do uczenia maszynowego
- Przegląd metod i algorytmów uczenia maszynowego
- Podział metod uczenia maszynowego
- Uczenie nadzorowane
- Uczenie nienadzorowane
- Podział metod uczenia maszynowego
- Proces uczenia maszynowego
- Eksploracja danych
- Jak dobrać najlepszy model do zadania
- Przygotowanie danych
- Zbiór uczący
- Zbiór testowy
- Szkolenie modelu
- Walidacja modelu
- Przeuczenie modelu
- Techniki redukcji wymiarowości danych
- Omówienie metod uczenia maszynowego
- Regresja
- Regresja liniowa
- Regresja wielomianowa
- Regresja logistyczna
- Klasyfikacja
- Grupowanie danych
- Redukcja wymiarów
- Sztuczne Sieci Neuronowe
- Regresja
- Łączenie klasyfikatorów
- Wizualizowanie wyników
- Przegląd narzędzi do uczenia głębokiego
- TensorFlow
- PyTorch
- Keras
- Hugging Face
- JAX
- identyfikacja różnic pomiędzy narzędziami
- dobór odpowiedniego narzędzia w zależności od projektu
- Wprowadzenie do sieci neuronowych
- budowa neuronu
- funkcje komponentów neuronu
- mechanizmy przetwarzania informacji
- jak uczy się sieć neuronowa
- algorytmy uczenia z nadzorem
- algorytmy uczenia bez nadzoru
- funkcje aktywacyjne
- funkcje błędu
- typy sieci neuronowych
- perceptory
- MLP – perceptory wielowarstwowe
- sieci konwolucyjne (CNN)
- rekurencyjne sieci neuronowe (RNN)
- zastosowania sieci neuronowych w różnych dziedzinach
- JAX
- architektura JAX
- unikalne cechy JAX
- przejście z NumPy do JAX
- wykorzystanie kompilacji JIT przez JAX
- przetwarzanie równoległe
- przyspieszenie działania modeli
- zwiększanie wydajności modeli
- Keras
- wprowadzenie – architektura Keras
- udostępniane API
- szkolenie modeli
- budowa modeli w Keras
- komplikowanie modeli
- trenowanie modeli uczenia głębokiego
- techniki optymalizacji
- zestawy danych
- wnioskowanie i przewidywanie
- wykorzystanie wytrenowanych modeli do predykcji
- podejmowanie decyzji na podstawie nowych danych
- Sieci neuronowe – zastosowania i przykłady
- Sztuczne sieci neuronowe (ANN)
- zastosowania w zadaniach klasyfikacji i regresji
- Konwolucyjne sieci neuronowe (CNN)
- rozpoznawanie obrazów
- przetwarzanie obrazu
- analiza obrazów
- Rekurencyjne sieci neuronowe (RNN, LSTM)
- predykcja szeregów czasowych
- inne zagadnienia analityczne
- Hugging Face
- platforma open-source dla modeli uczenia maszynowego
- strojenie modeli dopasowanych do potrzeb użytkownika
- Porównanie różnych środowisk (np. PyTorch, Tensorflow)
- Sztuczne sieci neuronowe (ANN)