składa się z 4 kursów, od poziomu podstawowego do zaawansowanego, podczas których, oprócz nauki samego programu, uczestnicy mają możliwość poznania nowoczesnych metod analizy danych. Powstała w odpowiedzi na rosnący popyt wśród firm oraz instytucji publicznych na usługi i pracowników w dziedzinie tzw. Data Science – interdyscyplinarnej analizy danych, ze szczególnym uwzględnieniem zagadnień dotyczących budowania i walidacji modeli uczenia maszynowego (Machine Learning). Kursy R, oprócz teorii i praktyki budowy modeli ML przekazuje sposoby efektywnej pracy w programie R i RStudio.

Text Mining i Web Scraping - MasteR - LabMasters

Warsztaty Machine Learning w R

Poziom średnio zaawansowany + zaawansowany

30 godzin dydaktycznych

Zajęcia w sali komputerowej

Zaświadczenie ukończenia

Ocena kursu: 4,38/5,00 – 95% ocen pozytywnych

Koordynator: Piotr Ćwiakowski (pcwiakowski@labmasters.pl)

Oprogramowanie: R / R Studio

Miejsce: Wydział Nauk Ekonomicznych UW, Warszawa ul. Długa 44/50 (mapa)


687 zł (558,54 zł netto)

Cena zawiera m.in. certyfikat zdania egzaminu (na podstawie rozwiązanych zadań sprawdzających), zaświadczenie ukończenia kursu (na podstawie obecności), komplet materiałów w formie elektronicznej i papierowej, darmowe konsultacje (więcej).

Opis kursu

Kurs „Warsztaty Machine Learning w R”, na poziomie średnio zaawansowanym i zaawansowanym. Celem jest przekazanie praktycznej wiedzy o bardzo popularnych obecnie technikach analizy ilościowej znanych jako uczenie maszynowe (Machine Learning). Pozwalają one na efektywne wykorzystanie potencjału biznesowego leżącego w bazach danych gromadzonych przez przedsiębiorstwa, korporacje i instytucje publiczne.

Na zajęciach zagadnienia przedstawiane są w sposób intuicyjny (a nie teoretyczny), aplikacyjny i praktyczny co pozwala lepiej zrozumieć sposób działania algorytmów uczenia maszynowego. Warsztatowa forma zajęć, czyli najpierw prezentacja modeli i przejście przez przykładowe analizy, a później ćwiczenia samodzielne pod kierunkiem prowadzącego, pozwalają na zdobycie konkretnych umiejętności już w trakcie zajęć. Wymagana jest podstawowa znajomość statystyki i podstawowa znajomość R.

Podczas kursu podpowiadamy, z których narzędzi korzystać, aby zapewnić sobie najwyższą jakość predykcji. Przekazujemy wiedzę jakie modele stosować w określonych przypadkach (np. duża próba v. mała próba, dużo zmiennych v. mało zmiennych, zadania klasyfikacyjne v. regresyjne). Prezentujemy mocne i słabe strony algorytmów i ich implementacje w pakietach R. Uczymy krytycznej oceny wyników i poprawnej, wiarygodnej walidacji modeli – czyli state-of-the-art w coraz ważniejszej dla gospodarki dziedzinie wiedzy: interdyscyplinarnej analizie danych – Data Science.


Rejestracja na kurs jest aktywna

Termin: 04.10.2019-19.10.2019 piątki w godz. 16.30-20.30 i soboty w godz. 9.30-13.30
Daty zajęć: 04.10, 05.10, 11.10, 12.10, 18.10, 19.10
Stan zapisów: trwa rejestracja

Zapisz Mnie


Zapisy na kurs w innym terminie

W tym momencie rejestracja na kurs Machine Learning w innym terminie jest nieaktywna. Jeżeli jesteś zainteresowany(a) wzięciem udziału w tym kursie, zgłoś wstępną chęć uczestnictwa. Dzięki temu, wcześniej niż inni otrzymasz informację o zapisach i będziesz mieć pierwszeństwo w rejestracji. Zgłoś Mnie

Szczegółowa tematyka kursu

Wprowadzenie do Data Science.

Cel i zakres dziedziny, przegląd metod i zastosowań, przegląd pakietów R-owych do Machine Learning, przegląd bibliografii przedmiotu oraz omówienie roli uczenie maszynowego w procesach analizy danych.

Zagadnienia ogólne w Machine Learning.

Omówienie procesu walidacji krzyżowej i jej roli w ocenie jakości prognoz, wykrywaniu i zwalczaniu przetrenowania modeli oraz optymalizacji wartości hiperparametrów (metodą grid search, random search). Techniki wyjaśniania złożonych modeli uczenia maszynowego (m. in. pakiet Dalex). Omówienie różnych miar jakości prognoz dla zmiennej ciągłej i dyskretnej i ich interpretacja biznesowa. Przegląd technik regularyzacji równań liniowych: regresja grzbietowa (ridge regression, L2), LASSO (L1), Elastic Net, (L1/L2), Partial Least Squares (PLS), Principal Component Regression (PCR), Least Angle Regression (LARS). Przykłady feature engineering i algorytmów feature selection.

Uczenie nadzorowane – wprowadzenie

Regresja liniowa i logistyczna, przegląd zaawansowanych technik regresyjnych do modelowania nieliniowości (General Additive Models – GAM, Multivariate Adaptive Regression Splines – MARS, oraz regresja lokalna – LOWESS i LOESS), metoda najbliższych sąsiadów (kNN), naiwne podejście bayesowskie (naive bayes), drzewa klasyfikacyjne i regresyjne, maszyna wektorów nośnych (Support Vector Machine – SVM).

Zaawansowane uczenie nadzorowane

Ensembling modeli: stacking, bagging lasy losowe (Random Forest), „zwiększone” drzewa decyzyjne (boosting, boosted trees) estymowane metodą gradientową (Extreme Gradient Boosting, xgboost), optymalizacja hiperparametrów w XGBoost.

Techniki uczenia nienadzorowanego.

Redukcja wymiarów (analiza PCA, MDS, ICA), techniki klastrowania (hierarchiczne, niehierarchiczne, oraz metody zaawansowane: m. in. klastrowanie rozmyte, DB-SCAN oraz EM algorithms), analiza koszykowa (Market Basket Analysis) i wprowadzenie do systemów rekomendacyjnych.


Czego się nauczysz

Rezultatem kursu Warsztaty Machine Learning w R będzie wprowadzenie Cię na poziom zaawansowany w dziedzinie uczenie maszynowe: budowanie skutecznych modeli predykcyjnych za pomocą walidacji krzyżowej, dobór właściwych technik do problemu badawczego, techniki tuningu hiperparametrów, ograniczenie ryzyka przetrenowania modelu. Poznasz najskuteczniejsze algorytmy uczenia maszynowego do modelowania i prognozowania zmiennych ciągłych i dyskretnych. Będziesz potrafił zastosować metody Machine Learning do specyfiki różnych zbiorów danych. Nauczymy Cię w optymalny sposób programować i implementować analizy Data Science w środowisku R i RStudio.

Opinie uczestników

„Ogrom przekazanej wiedzy.”


„Wiedza i doświadczenie prowadzącego jest bezcenne – tego co wie prowadzący nie można się już dowiedzieć samemu w domu :)”


„Kurs warty każdych pieniędzy:)”


„Genialny prowadzący!”


„Warsztat prowadzony w bardzo ciekawy sposób; prowadzący merytoryczni i gotowi udzielić pomocy/odpowiedzi na pytania.”


„Prowadzący Piotr ocena bardzo dobra.”


„Nie mam uwag, super.”


„To nie pierwszy kurs na którym byłem, uczęszczałem również na studia data science. Niemniej uważam że na tych zajęciach tłumaczycie w bardzo dobry i przytępny sposób. Chciałoby się poświęcić wiecej czasu na wybrane metody, szkoda że go tak mało :)”


„Kurs bardzo bogaty w materiały i różnorodną tematykę. Na plus bardzo pozytywne podejście w przekazywaniu wiedzy.”