Warsztaty Machine Learning w R

987 zł*
*Podana cena kursu jest ceną:

  • brutto (zawiera podatek VAT 23%), jeśli zakupu dokonują osoby fizyczne nie prowadzące działalności gospodarczej;
  • netto (nie zawiera podatku VAT 23% – cena brutto 1214,01 zł), jeśli zakupu dokonują osoby fizyczne prowadzące działalność gospodarczą lub osoby prawne;
  • obowiązującą dla płatności przed rozpoczęciem kursu.
Cena zawiera m.in. certyfikat zdania egzaminu (na podstawie rozwiązanych zadań sprawdzających), zaświadczenie ukończenia kursu (na podstawie obecności), komplet materiałów z pełnymi rozwiązaniami, darmowe konsultacje (więcej), zajęcia w sali komputerowej lub w formie zdalnej (więcej) – do wyboru.
(za 30 godzin dydaktycznych)
*Szczegóły cenowe
Text Mining i Web Scraping - Machine Learning

Poziom średnio zaawansowany + zaawansowany

30 godzin dydaktycznych

Zajęcia zdalne lub stacjonarne w sali komputerowej

Zaświadczenie ukończenia

Ocena kursu: 5,00/5,00 – 100% ocen co najmniej 4 (w skali od 1 do 5)

Koordynator: Piotr Ćwiakowski (pcwiakowski@labmasters.pl)

Oprogramowanie: R / R Studio

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

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.

Zapisy

Zgłoś zainteresowanie

Planowany termin: wrzesień-listopad 2024. Jeżeli jesteś zainteresowany(a) wzięciem udziału w kursie realizowanym na żywo, zgłoś wstępną chęć uczestnictwa. Dzięki temu, wcześniej niż inni otrzymasz informację o zapisach i będziesz mieć pierwszeństwo w rejestracji.

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 wartościowych informacji i bardzo dobre podejscie prowadzącego do rozwiazywania problemow.”
„Wiedza i doświadczenie prowadzącego jest bezcenne – tego co wie prowadzący nie można się już dowiedzieć samemu w domu :)”
„Kurs bardzo intensywny, z dużym ładunkiem wiedzy. Zdecydowanie wymaga dużego zaangażowania, ale z pewnością warto!”
„Zagadnienia omówione na kursie pomogły w rozwiązaniu wielu wątpliwości.”
„Fajny kurs, spełnił moje oczekiwania, (..)”
„Ogrom przekazanej wiedzy.”
„Kurs warty każdych pieniędzy:)”
„Genialny prowadzący!”
„Warsztat prowadzony w bardzo ciekawy sposób; prowadzący merytoryczni i gotowi udzielić pomocy/odpowiedzi na pytania.”
„Kurs bardzo bogaty w materiały i różnorodną tematykę. Na plus bardzo pozytywne podejście w przekazywaniu wiedzy.”
„Prowadzący Piotr ocena bardzo dobra.”
„Nie mam uwag, super.”
„Super, bardzo fajne, dla mnie mogłyby być łatwiejsze przykłady, ale może to wynika z tego, że dopiero zaczynam z ML”
„Ogrom wartościowych informacji i bardzo dobre podejscie prowadzącego do rozwiazywania problemow.”
„Kurs bardzo intensywny, z dużym ładunkiem wiedzy. Zdecydowanie wymaga dużego zaangażowania, ale z pewnością warto!”
„Zagadnienia omówione na kursie pomogły w rozwiązaniu wielu wątpliwości.”
„Fajny kurs, spełnił moje oczekiwania, (..)”
„Było ok, do zobaczenia”
„Wszystko w porządku :)”
„Bardzo dobry kurs i b. dobry prowadzący, do tego tani!”
„Nie byłem na lepszych kursach.”
„Przydatne odwołania do doświadczeń biznesowych”
„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 :)”