Machine Learning Bootcamp w języku Python cz.II - od A do Z
What you'll learn
- wprowadzenie do uczenia nienadzorowanego
- metody grupowania (clustering): algorytm K-średnich wraz z implementacją, grupowanie hierarchiczne, DBSCAN
- redukcja wymiarowości: algorytm PCA wraz z implementacją, algorytm t-SNE
- metody asocjacyjne: reguły asocjacyjne, algorytm Apriori
- detekcja anomalii: algorytm Local Outlier Factor, algorytm Isolation Forest
- detekcja anomalii w szeregach czasowych: biblioteka Prophet (Facebook)
Requirements
- Ukończone kursy ze ścieżki Python Developer na tym koncie instruktorskim
- Ukończone kursy ze ścieżki Data Scientist na tym koncie instruktorskim
- Podstawy matematyki i statystyki
- Chęć nauki uczenia maszynowego od podstaw
Description
Witamy w drugiej części kursu Machine Learning Bootcamp! Tym razem skupiamy się w 100% na uczeniu nienadzorowanym (unsupervised learning) – jednym z najważniejszych filarów nowoczesnej analizy danych i eksploracji wzorców w zbiorach bez etykiet.
Jeśli znasz już podstawy Pythona oraz masz za sobą kurs o uczeniu nadzorowanym (cz. I), teraz czas na praktyczne opanowanie technik takich jak klasteryzacja, redukcja wymiarów, analiza skupień, PCA, DBSCAN, hierarchiczne grupowanie, t-SNE i wiele więcej. Kurs prowadzony jest w formie bootcampu – czyli nauczysz się wszystkiego od podstaw, krok po kroku, na praktycznych przykładach.
W kursie znajdziesz:
pełne wprowadzenie do uczenia nienadzorowanego
porównanie i wybór odpowiednich algorytmów do różnych typów danych
implementację algorytmów w Pythonie przy użyciu bibliotek takich jak scikit-learn, seaborn, pandas, matplotlib i numpy
liczne projekty i case study z prawdziwego świata (np. segmentacja klientów, analiza tekstu)
praktyczne wskazówki, jak interpretować i wizualizować wyniki
To idealny kurs dla analityków danych, przyszłych data scientistów, studentów kierunków technicznych i wszystkich, którzy chcą rozwinąć kompetencje w obszarze sztucznej inteligencji bez nadzoru. Dołącz teraz i wejdź na wyższy poziom analizy danych z Pythonem!
Uczenie nienadzorowane – Odkrywaj ukryte wzorce w danych
Uczenie nienadzorowane to gałąź uczenia maszynowego, w której algorytmy analizują dane bez wcześniejszych etykiet czy oznaczeń. Celem jest znalezienie struktury, grup lub zależności w zbiorze danych. Przykładowe techniki to klasteryzacja, redukcja wymiarowości czy analiza skupień. Uczenie nienadzorowane znajduje zastosowanie między innymi w segmentacji klientów, wykrywaniu anomalii i eksploracji danych.
Who this course is for:
- Początkujący Data Scientists / Data Analyst / Machine Learning Engineers
- Programiści i Inżynierowie Oprogramowania
- Analitycy Biznesowi i Finansowi
- Studenci kierunków technicznych lub ekonomicznych
- Pasjonaci AI i Uczenia Maszynowego
Instructor
- 4.3 Instructor Rating
- 11,139 Reviews
- 431,113 Students
- 164 Courses
EN
Python Developer/AI Enthusiast/Data Scientist/Stockbroker
Enthusiast of new technologies, particularly in the areas of artificial intelligence, the Python language, big data and cloud solutions. Graduate of postgraduate studies at the Polish-Japanese Academy of Information Technology in the field of Computer Science and Big Data specialization. Master's degree graduate in Financial and Actuarial Mathematics at the Faculty of Mathematics and Computer Science at the University of Lodz. Former PhD student at the faculty of mathematics. Since 2015, a licensed Securities Broker with the right to provide investment advisory services (license number 3073). Lecturer at the GPW Foundation, conducting training for investors in the field of technical analysis, behavioral finance, and principles of managing a portfolio of financial instruments.
Founder at e-smartdata
PL
Data Scientist, Securities Broker
Jestem miłośnikiem nowych technologii, szczególnie w obszarze sztucznej inteligencji, języka Python big data oraz rozwiązań chmurowych. Posiadam stopień absolwenta podyplomowych studiów na kierunku Informatyka, specjalizacja Big Data w Polsko-Japońskiej Akademii Technik Komputerowych oraz magistra z Matematyki Finansowej i Aktuarialnej na wydziale Matematyki i Informatyki Uniwersytetu Łódzkiego. Od 2015 roku posiadam licencję Maklera Papierów Wartościowych z uprawnieniami do czynności doradztwa inwestycyjnego (nr 3073). Jestem również wykładowcą w Fundacji GPW prowadzącym szkolenia dla inwestorów z zakresu analizy technicznej, finansów behawioralnych i zasad zarządzania portfelem instrumentów finansowych. Mam doświadczenie w prowadzeniu zajęć dydaktycznych na wyższej uczelni z przedmiotów związanych z rachunkiem prawdopodobieństwa i statystyką. Moje główne obszary zainteresowań to język Python, sztuczna inteligencja, web development oraz rynki finansowe.
Założyciel platformy e-smartdata