W tym kursie będziesz programować w Pythonie, korzystając z najpopularniejszych narzędzi i bibliotek. Data Science i nauczysz się, jak używać go do zaawansowanej analizy statystycznej, wstępnego przetwarzania i transformacji danych, tworzenia wizualizacji danych oraz opracowywania modeli predykcyjnych w celu rozwiązywania różnych problemów.
Kurs zawiera ćwiczenia praktyczne dla każdego modułu (mające bezpośrednie zastosowanie w bankowości), dzięki czemu nie tylko nauczysz się teorii, ale także poznasz część praktyczną, budując własne modele, które możesz wykorzystać jako punkt wyjścia do tworzenia własnych projektów.
Dowiesz się również, jak udoskonalać modele opracowane za pomocą algorytmów uczenia maszynowego, zagłębiając się w koncepcje wysokiego odchylenia (niedopasowania), wysokiego rozproszenia (nadmiernego dopasowania), walidacji porównawczej (walidacji krzyżowej) oraz w jaki sposób hiperparametry mogą poprawić wydajność modelu (dostrajanie hiperparametrów).
- Definicja sztucznej inteligencji i uczenia maszynowego, zrozumienie ich znaczenia i zastosowań w różnych dziedzinach.
- Rozpoznawać różne rodzaje uczenia maszynowego, takie jak uczenie nadzorowane, uczenie nienadzorowane i uczenie przez wzmacnianie, a także rozumieć ich specyficzne przypadki użycia.
- Zrozumienie cyklu życia modelu i podstawowych kroków związanych z tworzeniem modelu uczenia maszynowego, od gromadzenia danych po wdrożenie.
- Przeprowadzanie eksploracyjnej analizy danych (EDA) w celu uzyskania wglądu w zbiór danych, identyfikacji wzorców i zrozumienia relacji między zmiennymi.
- Znajomość technik wstępnego przetwarzania danych w celu oczyszczenia i przygotowania danych do algorytmów uczenia maszynowego, w tym obsługa wartości brakujących i radzenie sobie z wartościami odstającymi.
- Poznawanie różnych algorytmów uczenia maszynowego wykorzystywanych do klasyfikacji, regresji, klasteryzacji i innych zadań, a także zrozumienie ich mocnych i słabych stron.
- Wdrożenie praktycznego przykładu uczenia nadzorowanego do klasyfikacji pożyczek w celu przewidywania przypadków niewywiązywania się ze zobowiązań, zdobycie praktycznego doświadczenia w budowaniu modelu predykcyjnego.
- Znajomość technik inżynierii cech, w tym zarządzania brakującymi wartościami, obsługi wartości odstających, obsługi kategorii rzadkich i przetwarzania zmiennych kategorycznych na potrzeby uczenia maszynowego.
- Zrozumienie znaczenia wyboru funkcji w celu poprawy wydajności modelu i zmniejszenia złożoności, eksploracja metod filtrowania, metod osadzonych i metod pakowania.
- Uzyskiwanie informacji o znaczeniu redukcji przestrzeni wymiarowej dla modelowania i identyfikowanie odpowiednich technik umożliwiających redukcję wymiarowości.
- Stosowanie metod filtrowania (np. zbiorów bazowych, korelacji, miar statystycznych) w celu wybrania cech, zrozumienie ich wpływu na wydajność modelu.
- Implementacja wbudowanych metod (np. Lasso, Random Forest) w celu automatycznego dokonywania wyboru cech podczas procesu szkolenia modelu.
- Eksploracja metod agnostycznych, takich jak rekurencyjna eliminacja cech (RFE), w celu iteracyjnego wyboru najważniejszych cech do modelowania.
- Zdobądź praktyczne umiejętności programowania w języku Python na potrzeby uczenia maszynowego, korzystając z popularnych bibliotek, takich jak NumPy, Pandas, Scikit-learn i inne.
- Podstawowa znajomość programowania w języku Python.
- Podstawy algebry liniowej i rachunku różniczkowego.
- Zrozumienie podstawowych pojęć statystyki i rachunku prawdopodobieństwa.
- Czym jest sztuczna inteligencja i uczenie maszynowe?
- Rodzaje uczenia maszynowego
- Cykl życia modelu: Etapy tworzenia modelu
- Eksploracyjna analiza danych
- Wstępne przetwarzanie danych
- Algorytmy uczenia maszynowego
- Praktyczny przykład uczenia nadzorowanego: klasyfikacja pożyczek w celu przewidywania niewypłacalności
- Inżynieria funkcji:
- Techniki obsługi brakujących wartości
- Leczenie wartości ekstremalnych
- Leczenie rzadkich kategorii
- Wiele technik obróbki zmiennych kategorycznych
- Techniki przetwarzania i transformacji danych wymagane dla głównych grup algorytmów uczenia maszynowego
- Wybór funkcji (metody filtrujące, metody osadzone, metody opakowujące)
- Znaczenie redukcji przestrzeni wymiarowej w modelowaniu
- Stosowanie metod filtrowania (elementy podstawowe, korelacja, miary statystyczne)
- Zastosowanie wbudowanych metod (lasso, losowy las, itp.)
- Zastosowanie metod agnostycznych (RFE)
W tej chwili nie ma żadnych rekomendacji.
Po ukończeniu kursu otrzymasz certyfikat.
