Data ScienceR

Machine Learning w R

08 - 10 kwi 2024

Online

3 600,00 zł netto / osobę
Nie pasuje Ci żaden termin? Napisz do nas!
Zapisz więcej osób

Taniej w grupie

  • 3 osoby - 10% zniżki
  • 4 osoby - 15% zniżki
  • 5 osób - 20% zniżki
  • 6 osób - 25% zniżki
  • 7 osób - 30% zniżki
  • O szkoleniu

    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.

    Dla kogo jest to szkolenie?

    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.

    Czego się nauczę?

    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.
    • Możliwości i ograniczenia uczenia maszynowego
    • Uczenie z nadzorem
    • Uczenie bez nadzoru
    • Uczenie przez wzmacnianie
    • Uczenie ewolucyjne
    • Maszynowe uczenie krok po kroku
    • Statistical learning vs Machine learning
    • Przykłady zastosowań
    • Podstawowe obiekty danych
    • Konstrukcje if, for, while
    • Funkcje map_*
    • Importowanie danych
    • Bibilioteki R wykorzystywane w uczeniu maszynowym
    • Tworzenie skryptów i projektów
    • Dynamiczne raporty z RMarkdown
    • Kompromis pomiędzy interpretacją modelu a dokładnością prognoz
    • Przeuczenie ( z ang. Overfitting)
    • Zbiór uczący, testowy i walidacyjny
    • Miary trafności w prognozowaniu ilościowym i klasyfikacji
    • Macierz klasyfikacji, krzywa ROC, miara AUC
    • Cross-Validation – k-Fold, LOCV
    • Bootstrap
    • Współczynnik korelacji
    • Regresja liniowa wielu zmiennych
    • Interpretacja graficzna modelu regresji
    • Metody doboru zmiennych objaśniających
    • Prognozowanie i wybór modelu
    • Przykłady i Ćwiczenia w R
    • Regresja logistyczna dla zmiennych binarnych
    • Regresja logistyczna dla zmiennych wielomianowych
    • Estymacja i prognozowanie
    • Przykłady i Ćwiczenia w R
    • Prawdopodobieństwo warunkowe i twierdzenie Bayesa
    • Algorytm naiwnego klasyfikatora bayesowskiego
    • Przykłady i Ćwiczenia w R
    • Algorytm leniwego uczenia k-NN
    • Miary odległości obserwacji
    • Wybór k- liczby najbliższych sąsiadów
    • Przykłady i ćwiczenia w R
    • Konstruowanie drzew wg zasady – Dziel i Rządz
    • Algorytm C5.0 tworzenia drzew decyzyjnych
    • Podział na podstawie miar entropii, gini
    • Przycinanie drzew
    • Reguły decyzyjne
    • Przykłady i ćwiczenia w R
    • Rozszerzenie: Regresyjne drzewa decyzyjne
    • Biologiczne podstawy sieci neuronowych
    • Funkcje aktywujące
    • Topologia sieci neuronowych
    • Estymacja sieci neuronowych metodą backpropagation
    • Przykłady i ćwiczenia w R
    • Interpretacja graficzna klasyfikacji z pomocą SVM
    • Problem nieseparowalnych danych
    • Algorytm SVM
    • Kernels
    • Rozszerzenia: regresja SVM
    • Przykłady i ćwiczenia w R
    • Algorytm apriori
    • Budowa reguły z wykorzystaniem algorytmu apriori
    • Przykłady i ćwiczenia w R
    • Analiza dyskryminacyjna – LDA
    • Metoda głównych składowych – PCA
    • Analiza czynnikowa – FA
    • ISOMAP – MDS
    • Przykłady i ćwiczenia w R
    • Tuningowanie parametrów z pomocą pakietu caret
    • Przykłady i ćwiczenia w R
    • Boosting – AdaBoost, Stumping
    • Gradient boosting machines
    • Bagging
    • Randomizacja
    • Random forests
    • Additive regression
    • Przykłady i ćwiczenia w R
    • k-Means
    • k-Medoids
    • Segmentacja hierearchiczna
    • Segmentacja na bazie rozkładu gęstości
    • Przykłady i ćwiczenia w R