'Y'

Machine Learning

Un training practic legat de machine learning care acopera intregul ciclu de viata al dezvoltrii unei asemenea solutii Ц de la datele initiale (У.xlsx fileФ), pana la construirea unui model si explicarea datelor si a rezultatelor catre clientii finali.
Cod: EAS-025
Durata: 24 ore

Descriere

Acest curs introductiv este inceputul calatoriei tale in machine learning. In locul unei abordari clasice (Дmatematica Ц teoria ML Ц exemple Ц practicaФ), training-ul este orientat in mare parte pe zona de practica. Teoria si background-ul matematic (cum functioneaza si de ce functioneaza algoritmii) sunt si ele importante. Dar trebuie studiate in urmatoarele etape atunci cand discutam despre imbunatatiri si optimizari.

Primul exemplu din cadrul cursului incepe cu o situatie reala: un set de tabele cu date (in Excel) Ц dar nu este clar ce putem face cu ele si unde putem aplica principiile de Big Data. Folosind diferite tehnici de machine learning, vei descoperi cum sa gasesti perspective noi in aceste date si cum sa reprezinti rezultatele intr-o forma care poate sa fie inteleasa de clientul final (grafice, tabele simple etc.).

Apoi vom trece in revista tipurile de sarcini unde machine learning poate sa functioneze eficient si iti vom arata mai multe exemple legate cum putem rezolva aceste sarcini folosind machine learning. Insa nu ne vom baza doar pe aplicarea unor formule gata facute. Ne vom uita si la interpretarea rezultatelor si prezentarea acestora.

O parte din curs va fi dedicata situatiilor cu care se confrunta participantii si vom incerca sa formalizam si sa ii ajutam sa le depaseasca.

Subiecte curs

Prezentare sarcinii
  • Ce sarcini pot sa fie rezolvate cu ajutorul machine learning. Ce se intampla daca in locul unui Data Scientist folosim un non-specialist (programator / analyst / manager) si ne asteptam sa invete totul in cadrul procesului.

Pregatirea, curatarea si explorarea datelor
  • Cum putem sa obtinem o perspectiva asupra datelor de business initiale (si cum le putem ordona). Secvente de procesare. Ce ar trebui sa fie facut doar de catre analistii cu experienta in domeniu, si ce ar trebui facut de un Data Scientist. Care sunt prioritatile legate de rezolvarea unei sarcini specifice.

Classifiers & Regressors
  • Practica Ц sarcini formalizate cu date deja pregatite. Diferente intre sarcini (binary/nonbinary/probabilistic classification, regression), redistribuirea sarcinilor pe clase. Exemple de sarcini de clasificare practice.

Clustering
  • Unde si cum putem sa facem: explorarea datelor, task setting check, si validarea rezultatelor. Ce situatii pot sa fie reduse la clustering.

Ce functioneaza
  • Cum sa evaluam rezultatele asa cum le-ar evalua un client final. Explicarea evaluarilor neobisnuite si modificarea acestora in unele obisnuite. Intrebari fara sens si cum sa le abordam. Cum facem cross validation. Exemple de overfitting si arhitectura incorecta.

Cum sa imbunatatim un model
  • Ce face un model mai bun ca altul: parameters, traits & ensembles. Explicatii legate de parameters. Traits explicate in detaliu si practica. Cum sa nu exageram cu traits. Instrumente pentru cautarea de parameters/traits/methods.

Grafice, rapoarte si sarcini comune
  • Cum sa explicam ce se intampla in termeni usor de inteles pentru noi, pentru echipa si pentru client. Raspunsuri mai bune pentru intrebari lipsite de sens. Cum sa prezentam trei terabiti de rezultate intr-un singur slide. Teste semi automate si de ce sunt necesare process control points. De la sarcini reale la procese complete de R&D (УR&D in practicaФ) Ц revizuirea si analiza situatiilor cu care se confrunta participantii.

Obiective

  • Ce sarcini pot sa fie rezolvate folosind machine learning (Big Data este doar o parte, nu o cerinta obligatorie)
  • Cum sa folosesti tehnicile de machine learning si instrumentele de fast prototyping pentru a raspunde la intrebarea УPoti sa evaluezi un rezultat posibil pe baza unei implementari posibile?Ф
  • Evidentierea datelor care ar trebui colectate si care ar putea sa fie cerintele legate de ele. De ce vrem sa Уstocam petabytesФ
  • Pregatirea pentru subiecte mai complexe, in special solutii pentru probleme complexe de business
  • Cum se potriveste machine learning cu analytics clasic.

Public tinta

  • Analisti
  • Manageri de proiect care lucreaza cu date
  • Leads Tehnici / Senior Developeri implicati in proiecte unde se lucreaza cu date
  • Analisti de business
  • Programatori
  • Data Engineers
  • Arhitecti software
  • Designeri de sistem

Cerinte curs

  • Abilitatea de a citi cod simplu scris in Python si de a scrie cod in orice limbaj de scripting.

Alege oras Online Pret
Inregistreaza-te pentru urmatorul curs.
+
Inregistrarea la urmatorul curs va asigura prioritatea pe lista de inscriere. Veti fi contactat pentru confirmarea inscrierii in momentul in care urmatorul curs este programat.
Online 1710 RON
Bucuresti 1710 RON
Cracovia 1710 RON
Wroclaw 1710 RON

Facturile pentru curs sunt emise in moneda locala. Toate preturile de mai sus pot fi supuse modificarilor in functie de locul unde se desfasoara trainingul si modul de livrare. Preturile pot fi supuse modificarilor si in perioada in care se programeaza. Pentru persoane fizice pretul este cel afisat. Pentru persoane juridice se adauga TVA.

Alte cursuri care te-ar putea interesa:

Inscrie-te!

Prenume*
Nume*
Companie
Adresa email*
Alege oras
Telefon
Observatii
Mai ai intrebari?
Contacteaza-ne.
Thank you.
Your request has been received.