Kurs Analiza Danych, ML i AI w PythonieK-PYTHON-2-ANALIZA-AI

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, uczenie maszynowe i poznać popularne biblioteki ML/AI 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?

Przyjdź na kurs Nauka programowania w Pythonie »

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?

Sprawdź kurs analityczny od podstaw Analiza danych w Pythonie »

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

Zobacz program kursu w PDF »

Nie martw się o sprzęt do nauki.
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.

więcej o trenerze >

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”.

zwiń informację o trenerze >

Program szkolenia

1. Środowisko pracy analityka
   • Anaconda
     • Manager pakietów Conda
     • Manager pip
     • Tworzenie wirtualnego środowiska
   • Jupyter notebook
     • Markdown
     • Elementy notacji Latex
2. 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)
3. 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
4. Wstęp do uczenia maszynowego
5. Przegląd metod i algorytmów uczenia maszynowego
   • Podział metod uczenia maszynowego
     • Uczenie nadzorowane
     • Uczenie nienadzorowane
6. 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
7. Omówienie metod uczenia maszynowego
   • Regresja
     • Regresja liniowa
     • Regresja wielomianowa
     • Regresja logistyczna
   • Klasyfikacja
   • Grupowanie danych
   • Redukcja wymiarów
   • Sztuczne Sieci Neuronowe
8. Łączenie klasyfikatorów
9. Wizualizowanie wyników
10. Przegląd narzędzi do uczenia głębokiego
    • TensorFlow
    • PyTorch
    • Keras
    • Hugging Face
    • JAX
    • identyfikacja różnic pomiędzy narzędziami
    • dobór odpowiedniego narzędzia w zależności od projektu
11. 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
12. JAX
    • architektura JAX
    • unikalne cechy JAX
      • przejście z NumPy do JAX
      • wykorzystanie kompilacji JIT przez JAX
      • przetwarzanie równoległe
      • przyspieszenie działania modeli
      • zwiększanie wydajności modeli
13. 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
14. 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)