Informacje o szkoleniu

Główna korzyść: Dzięki szkoleniu Twoi ludzie mogą sprawdzić, czy i jakie szanse stwarza Machine Learning i Deep Learning w Twojej firmie oraz nabyć umiejętności rozwiązywania prostych problemów z użyciem ML i DL.

Czas trwania: 5 dni po 7 godzin zegarowych brutto (tzn. razem z przerwami) + indywidualne konsultacje po każdym dniu
Forma szkolenia: warsztatowa (70% ćwiczenia / 30% wykład)
Logistyka: online lub w siedzibie klienta lub innym wyznaczonym przez niego miejscu, w Polsce lub za granicą w obrębie Europy
Zapisy: szkolenie zamknięte – indywidualne zamówienie i dopasowanie dla grupy
Wielkość grupy: max 10 uczestników
Język szkolenia: język polski lub angielski lub oba naraz w ramach jednego zlecenia
Grupa docelowa: analitycy, R&D, developerzy, team leaderzy
Wymagania dla uczestników: podstawowa umiejętność programowania. Nie jest wymagana wcześniejsza znajomość Pythona (chociaż będzie bardzo pomocna) ani Machine Learning.

Plan szkolenia

I. Tooling

  1. Python 3 vs Python 2
  2. Python 3.x Installation
  3. PyCharm – IDE
  4. Executing Python Scripts
  5. pip – Packet Manager
  6. IPython – Interactive Console
  7. Jupyter Notebook
  8. virtualenv – Isolated Python Installations
  9. Tooling Summary
  10. Tooling for Data Science

II. Data Visualisation with matplotlib

  1. Basic Line Plots
  2. More Series Customization
  3. Log and Symlog Scale
  4. Multiple Plots
  5. Interactive Plots

III. Python Crash Course

  1. Data Types
  2. Functions
  3. Useful Builtin Functions

IV. Data Processing with Pandas

  1. Importing and Exporting Data
  2. Basic Transformations
  3. Aggregation
  4. Filtering
  5. Split-Apply-Combine Pattern
  6. Rolling
  7. Processing Missing Values

V. Introduction to Machine Learning

  1. What is Machine Learning?
  2. Basic Concepts
  3. Problem Types
  4. Basic Questions
  5. Common Workflow
  6. Algorithm Cheat-Sheet
  7. Supervised Learning
  8. Bias-Variance Trade Off
  9. Case Study: Iris Classification
  10. Business Applications

VI. Regression Linear Models

  1. Simple Linear Regression
  2. Multiple Linear Regression
  3. Ridge Regularisation
  4. Lasso Regularisation
  5. ElasticNet Regularisation

VII. Feature Engineering & Selection

  1. Pipelines
  2. One Hot Encoding
  3. Polynominal & Interaction Terms
  4. ln(x+1) Transformation
  5. Feature Selection

VIII. Cross Validation and Grid Search

  1. Cross Validation
  2. Cross Validation Strategies
  3. Grid Search

IX. Classification

  1. Logistic Regression
  2. Binary Classification
  3. Multiclass Classification
  4. Evaluation for Model Selection

X. Models

  1. k-Nearest Neighbors
  2. Linear & Logistic Regression
  3. Lasso, Ridge and ElasticNet Regularization Recap
  4. Neural Networks
  5. Support Vector Machines
  6. Kernelized Support Vector Machines
  7. Decision Trees
  8. Random Forests and Boosting
  9. Classificators Comparison

XI. Clustering

  1. k-Means Clustering
  2. Agglomerative Clustering
  3. Hierarchical Clustering and Dendograms
  4. DBSCAN
  5. Evaluating Clustering with Ground Truth
  6. Comparing Clustering on Digits

XII. Dimensionality Reduction

  1. Principal Component Analysis (PCA)
  2. Non-negative matrix factorisation (NMA)
  3. Decomposing Signals with NMF
  4. Manifold Learning with t-SNE

XIII. Recommendation Systems

  1. Introduction to Recommendation Systems
  2. Suprise Library
  3. CI&T Deskdrop Dataset
  4. Cold Start
  5. Building Model and Evaluation
  6. Popularity Model
  7. Content-Based Filtering
  8. Collaborative Filtering
  9. Testing Models

XIV. BigData with dask

  1. What is dask?
  2. dask as a Task Scheduler
  3. Working on a Computational Cluster
  4. DataFrame
  5. Dask-ML
  6. Dask Alternatives

XV. Deep Learning

  1. Installation and Tooling Overview
  2. Neutral Network Introduction
  3. Keras Introduction
  4. Feedforward Neural Network
  5. Image Classification
  6. Convolutional Neural Network
  7. Image Classification
  8. Activation Function
  9. Learning Process
  10. Backpropagation
  11. Recurrent Neural Networks with LSTM
  12. Averaging with LSTM
  13. Text Generation with LSTM
  14. Neural Network Architectures
  15. GoogLeNet
  16. Self-Taught Learning

Korzyści dla zamawiającego

Jako zamawiający szkolenie otrzymasz:

  1. Analizę potrzeb i wsparcie w doborze szkolenia w postaci rozmowy telefonicznej ze sponsorem szkolenia, HRem, team leadem lub/i uczestnikami szkolenia. Dodatkowo, analiza potrzeb uczestników na samym początku szkolenia pozwala na jeszcze lepsze wykorzystanie czasu.
  2. Możliwość i wsparcie w dostosowaniu szkolenia pod Twoje potrzeby.
  3. Gwarancję poprowadzenia szkolenia przez eksperta, który pracował m.in. z Google.
  4. Ewaluację szkolenia przez uczestników w postaci elektronicznej ankiety pod koniec ostatniego dnia szkolenia. Wyniki są przesyłane zainteresowanym osobom (najczęściej sponsor + HR).
  5. Prostą komunikację – masz bezpośredni dostęp telefoniczny i mailowy do trenera.
  6. Prosty proces zakupowy – wystarczy jeden telefon lub mail, abyś otrzymał(a) ofertę i aby zarezerwować dla Ciebie termin. Terminy są na wyłączność, nie praktykujemy overbookingu. Wysłanie Purchase Order potwierdza zamówienie.

Klienci, po zobaczeniu efektów tego szkolenia, bardzo często decydują się na inne szkolenia, także dedykowane szkolenia, przygotowywane specjalnie dla nich.

Korzyści dla uczestników

Dodatkowo, w ramach szkolenia uczestnicy otrzymają:

  1. Siedem godzin zegarowych szkolenia każdego dnia brutto, tzn. w tym przerwy.
  2. Konsultacje i doradztwo dla uczestników po każdym dniu szkoleniowym. Nie rozwiązujemy indywidualnych problemów w trakcie szkolenia, skoro rozwiązaniem zainteresowana jest tylko ta jedna osoba. Nie mówimy, że robimy 8 godzin szkolenia, tylko po to aby potem w trakcie szkolenia przeprowadzać indywidualne konsultacje.
  3. Wsparcie poszkoleniowe dla uczestników i sponsora szkolenia, mailowe i telefoniczne.
  4. Instrukcję przygotowania laptopów dla uczestników i, w razie potrzeby, wsparcie telefoniczne, mailowe i Skypowe (chociaż jeszcze nigdy nie było takiej potrzeby). Dzięki temu oszczędzamy czas na początku szkolenia i ruszamy od razu z nauką.
  5. Materiały szkoleniowe zawierające fragmenty kodu, komentarze, ćwiczenia i ich wzorcowe rozwiązania. Materiały są w formie pojedynczej strony internetowej, dzięki czemu uczestnikom jest bardzo łatwo wyszukać interesujący ich fragment. Materiały są dostępne także po szkoleniu. Uczestnicy mogą je także pobrać, aby mieć do nich dostęp offline. Forma materiałów pozwala na dostosowywanie materiałów na bieżąco do potrzeb uczestników, w przeciwieństwie do materiałów drukowanych, które nie pozwalają na np. dodanie komentarzy zasugerowanych przez uczestników.
  6. Środowisko gotowe do wykorzystania po szkoleniu. Nie używamy wirtualnych maszyn, instalujemy wszystko na laptopach uczestników.

Opinie o trenerze

Very inspiring training. I really appreciate the way Chris managed to walk us through the complex world of machine learning using Python. Good course materials updated real time. Highly recommend.

Krzysztof Gębal
Finance Director at DNB Bank Polska S.A.

Well prepared training and reasonably passed knowledge, thanks to which we develop better services.

Arkadiusz Baraniecki
Infrastructure Team Manager at allegro.pl

Chris recently taught a four day class on Machine Learning with Python four our team. The class was very good with the right balance of theory and practice. I cannot think of a better way to give a four day class about such an extensive topic.

Nicolas Leveroni
Head of Krakow Product Control Analytics at HSBC

Więcej referencji znajdziesz tutaj.