Machine Learning w R

Uczenie maszynowe (z ang. Machine Learning) to szybko rozwijająca się dziedzina, która daje niesamowite możliwości analizy danych, wyciągania z nich wniosków i formułowania reguł. Machine learning łączy w sobie elementy informatyki, statystyki i automatyki i składa się z algorytmów, które pozwalają na podstawie istniejących danych prognozować oraz klasyfikować nowe dane, rozpoznawać tekst, zdjęcia i mowę, czy tworzyć systemy rekomendacyjne. Umiejętność wykorzystania technik uczenia maszynowego jest w dzisiejszych czasach doskonałym atutem każdego analityka danych.

Podczas szkolenia uczestnicy od podstaw zapoznają się z technikami uczenia maszynowego i za pomocą licznych ćwiczeń i przykładów zdobędą praktyczną wiedzę niezbędną w codziennej pracy.

Szkolenie kierowane jest do osób, które chcą poznać techniki uczenia maszynowego i zdobyć wiedzę praktyczną przydatną w pracy zawodowej. Do udziału w szkoleniu wymagana jest podstawowa znajomość programu R.

Nasze szkolenie kierujemy do:

• Analityków
• Statystyków
• Data scientists
• Programistów

Nasi kursanci pracują z R w różnych branżach (finanse, IT, produkcja, medycyna itp.). Zawsze podczas szkolenia staramy się położyć nacisk na te elementy R, które będą im najbardziej przydatne w codziennej pracy.

Podczas szkolenia uczestnik pozna podstawy uczenia maszynowego oraz nauczy się budować szereg modeli służących do klasyfikacji lub numerycznej predykcji danych.Po ukończeniu szkolenia, uczestnik będzie potrafił:

• Dobrać odpowiedni algorytm do problemu – Omówimy istniejące metody uczenia maszynowego z podziałem na uczenie z nadzorem i bez nadzoru
• Przetestować model i ocenić jego zdolności predykcyjne – Pokażemy jak ocenić jakość zbudowanego modelu dokładność predykcji. Omówimy takie problemy jak np. przetrenowanie, czyli nadmierne dopasowanie modelu do danych.
• Zbudować model regresji liniowej – Omówimy, czym jest regresja liniowa i jakie są jej zastosowania. Pokażemy jak zbudować poprawny model o dobrych właściwościach predykcyjnych. Taki model można wykorzystać np. do wyjaśnienia czynników kształtujących cenę lub prognozowania wielkości sprzedaży.
• Zbudować model klasyfikacyjny – Omówimy różne rodzaje algorytmów, które pozwalają na stworzenie modelu klasyfikacyjnego. Będą to między innymi sieci neuronowe, drzewa decyzyjne i algorytmy SVM. Takie modele wykorzystywane są na przykład w systemach rekomendacji.
• Zbudować model uczenia bez nadzoru – Nauczymy jak stworzyć model w sytuacji, gdy nie posiadamy danych do walidacji modelu.
• Poprawić zdolności predykcyjne modelu – Pokażemy metody, które pozwalają zwiększyć zdolności predykcyjne modelu jak np. boosting czy random forest.