Plan Szkolenia

Moduł I: Modele regresyjne

1. Podstawy regresji na przykładzie modelu liniowego

2. Optymalizacja metodą najmniejszych kwadratów

3. Praktyczna implementacja z wykorzystaniem scikit-learn

4. Miary jakości modelu regresyjnego

5. Przegląd innych metod regresji

 

Moduł II: Przygotowanie danych do modelowania

1. Inżynieria cech (feature engineering)

2. Skalowanie i standaryzacja zmiennych

3. Identyfikacja i eliminacja wartości odstających

4. Strategie uzupełniania brakujących wartości

5. Metody redukcji wymiarowości i wyboru atrybutów

6. Kodowanie zmiennych kategorycznych (one-hot encoding, label encoding)

 

Moduł III: Problem przeuczenia modelu

1. Zjawisko overfittingu i jego konsekwencje

2. Techniki przeciwdziałania przeuczeniu

3. Walidacja krzyżowa jako narzędzie oceny modelu

4. Regularyzacja modeli uczenia maszynowego

 

Moduł IV: Optymalizacja procesu uczenia

1. Dostrajanie hiperparametrów metodą grid search

2. Budowa pipeline'ów przetwarzania danych

 

Moduł V: Algorytmy klasyfikacyjne

1. Wprowadzenie do klasyfikacji z użyciem regresji logistycznej

2. Porównanie modeli liniowych i nieliniowych

3. Metryki oceny jakości klasyfikatorów

4. Algorytm drzewa decyzyjnego

5. Naiwny klasyfikator Bayesa

6. Support Vector Machine (SVM)

7. Metoda k-najbliższych sąsiadów (KNN)

8. Problematyka klasyfikacji wieloklasowej

9. Metody zespołowe – Random Forest i Gradient Boosting

 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie