Szkolenie Scikit-Learn

Infoshare to największa społeczność technologiczna w CEE i organizator wiodącej konferencji tech w Gdańsku. Łączy startupy, inwestorów, korporacje i pasjonatów innowacji. Promuje przedsiębiorczość, dzielenie się wiedzą i networking. Dzięki wydarzeniom, konkursom i programom wspiera rozwój ekosystemu technologicznego w Polsce i regionie.

Szkolenie Scikit-Learn to intensywny, dwudniowy kurs, w którym 80% czasu poświęcone jest praktycznym warsztatom, a 20% teorii. Kurs ma na celu przekazanie solidnych podstaw teoretycznych oraz praktycznych umiejętności w zakresie korzystania z Scikit-Learn, popularnej biblioteki do uczenia maszynowego w Pythonie. Uczestnicy będą pracować z rzeczywistymi danymi, przygotowywać dane, budować i trenować modele oraz dowiedzą się, jak zastosować zdobytą wiedzę w swoich projektach.

• Programistów i inżynierów danych, którzy chcą poszerzyć swoje umiejętności o Scikit-Learn.
• Analityków danych pragnących zastosować Scikit-Learn w swoich projektach.
• Entuzjastów sztucznej inteligencji i uczenia maszynowego chcących rozpocząć pracę z Scikit-Learn.
• Osób z podstawową wiedzą z zakresu programowania w Pythonie oraz uczenia maszynowego
• Programistów pracujących w środowisku Jupyter Notebook

• Jak zainstalować i skonfigurować Scikit-Learn w swoim środowisku pracy
• Jak budować, trenować i optymalizować modele uczenia maszynowego w Scikit-Learn
• Jak implementować zaawansowane modele, takie jak drzewa decyzyjne i modele zespołowe
• Jak przygotować i wdrożyć modele Scikit-Learn w środowisku produkcyjnym

• Dzień 1: Wprowadzenie do Scikit-Learn i podstawy uczenia maszynowego
  1.1. Wprowadzenie do Scikit-Learn

  • Historia i rozwój Scikit-Learn

  • Główne funkcje i moduły biblioteki
    1.2. Instalacja i konfiguracja środowiska

  • Instalacja Scikit-Learn i zależności

  • Konfiguracja środowiska pracy (Jupyter Notebook)
    1.3. Podstawy uczenia maszynowego z Scikit-Learn

  • Operacje na zbiorach danych: wczytywanie, przetwarzanie i analiza

  • Przygotowanie danych do modeli uczenia maszynowego

  • Tworzenie i uruchamianie podstawowych modeli (regresja liniowa, klasyfikacja)
    1.4. Warsztat: tworzenie pierwszego modelu i konsolidacja

  • Implementacja modelu regresji liniowej

  • Trening i ewaluacja modelu na rzeczywistych danych

• Dzień 2: Bardziej zaawansowane techniki i praktyczne zastosowania
  2.1. Inne modele w Scikit-Learn

  • Drzewa decyzyjne i lasy losowe

  • Modele zespołowe (Boosting, Bagging)
    2.2. Optymalizacja i dostrajanie modeli

  • Techniki optymalizacji hiperparametrów (Grid Search, Random Search)

  • Walidacja krzyżowa i metryki oceny modelu
    2.3. Warsztat: zagadnienia klasyfikacji i regresji

  • Przygotowanie i przetwarzanie danych do klasyfikacji

  • Implementacja i trening
    2.4. Deployowanie modeli Scikit-Learn

  • Eksportowanie modeli i przygotowanie do wdrożenia

  • Wdrożenie modelu w środowisku produkcyjnym

16 h/2 dni