Warsztaty Machine Learning w Pythonie - elearning

Opis kursu

Kurs „Warsztaty Machine Learning w Pythonie”, jest prowadzony na poziomie średniozaawansowanym i zaawansowanym. Wymagana jest podstawowa znajomość statystyki i podstawowa znajomość języka Python (na przykład zdobyta na kursie: https://labmasters.pl/kursy-otwarte/python/p-1/). Celem jest przekazanie umiejętności budowania modeli predykcyjnych w obszarze Data Science z wykorzystaniem technik uczenia maszynowego (z ang. Machine Learning). Na zajęciach uczymy w sposób intuicyjny teoretycznych podstaw modelu, silnych i słaby stron każdej metody i na praktycznych przykładach przekazujemy umiejętność wykorzystania modeli w praktyce. Ponadto, uczestnicy dowiadują się jak interpretować i oceniać modele oraz poprawnie wykonywać walidować krzyżową. Prowadzący przekazują praktyczną wiedzę opartą o doświadczenie biznesowe zdobyte w projektach consultingowych. Uczestnik kursu otrzymuje obszerne materiały, zawierające kody i procedury do natychmiastowego wykorzystania w postaci gotowych receptur we własnych analizach.

W trakcie warsztatów zajęcia podzielone są na część wykładową (ok. 40% zajęć), ćwiczeniową (ok. 40%, prezentacja i interpretacja kodów w Pythonie) i pracę własną uczestników (20%) – polegającą na rozwiązywaniu biznesowych case study przygotowanych przez Prowadzącego. Podczas części ćwiczeniowej nacisk położony jest na poznanie efektywnych metod przetwarzania danych oraz programowania w środowisku Python. Po warsztatach uczestnik posiada wiedzę i umiejętności wystarczające do samodzielnej pracy i rozwoju w środowisku Python na poziomie zaawansowanym.

Zapisy

Tematyka kursu

Wprowadzenie do uczenia maszynowego

Podstawowe pojęcia uczenia maszynowego. Uczenie nadzorowane i nienadzorowane. Omówienie różnych miar jakości prognoz dla zmiennej ciągłej i dyskretnej (w podziale na klasyfikację binarną i wieloklasową) i ich interpretacja biznesowa. Walidacja krzyżowa i jej rola w ocenie jakości modelu, tuningu hiperparametrów oraz wykrywaniu i przeciwdziałaniu przetrenowania modeli.

Uczenie nadzorowane – podstawy

Regresja liniowa i logistyczna, SVM (liniowy, wielomianowy, RBF), KNN, NaiveBayes, drzewa regresyjne i klasyfikacyjne. Omówienie mocnych i słabych stron poszczególnych modeli. Podstawowe strategie przeglądu i tuningu hiperparametrów (grid search i tuning sekwencyjny). Przykłady inżynierii zmiennych (feature generation i feature selection). Techniki regularyzacji modeli liniowych (L1, L2, Elastic Net). Gotowe przykłady i tutoriale w sklearn. 

Uczenie nadzorowane – modele zaawansowane

Ensembling modeli: stacking/blending, bagging, lasy losowe (random forest oraz Extremely Randomized Trees) i boostowane drzewa decyzyjne (przegląd implementacji: XGBoost, LightGBM, Catboost). Wprowadzenie do Tabular Foundation Models (TabPFN, TabICL, TabFM). Przegląd i porównanie technik tuningu hiperparametrów – grid search, random search, techniki zaawansowane (m. in. TPE i Gaussian Process) i ich implementacje w pakiecie Optuna. Dobre praktyki tuningu hiperparametrów. Omówienie mocnych i słabych stron poszczególnych modeli. Kryteria doboru modelu do problemu badawczego. Gotowe przykłady i tutoriale w sklearn.

Materiały dodatkowe

Uczenie nienadzorowane. Segmentacja zbioru danych – przegląd modeli (m. in. metody hierarchiczne, k-means, DBSCAN) , redukcja wymiarów za pomocą (PCA, MDS, t-SNE). Kryteria doboru modelu do problemu badawczego. Budowa własnego pipeline’u analitycznego do walidacji krzyżowej modeli w oparciu o bibliotekę scikit-learn. Przegląd modułów scikit-learn do automatyzacji pracy. Kalibracja modeli klasyfikacyjnych. Optymalizacja progu odcięcia w modelach klasyfikacyjnych. Estymacja modeli z nietypowymi funkcjami straty (np. Poisson, Gamma, Tweedie, Pinball loss). Przegląd bibliotek do AutoML.

Czego się nauczysz

Na kursie Warsztaty Machine Learning w Pythonie, nauczysz się analizować i modelować dane na poziomie zaawansowanym. Między innym będziesz potrafił dobierać właściwe techniki i algorytmy do problemu badawczego, wybierać najlepsze modele predykcyjne za pomocą walidacji krzyżowej, dokonywać tuningu hiperparametrów, ograniczać ryzyko przetrenowania modelu przez regularyzację i ensembling modeli. Poznasz najskuteczniejsze algorytmy uczenia maszynowego do modelowania i prognozowania zmiennych ciągłych i dyskretnych. Będziesz potrafił zastosować metody Machine Learning.