Szkolenie Machine Learning & AI

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 „Machine Learning & AI” to kurs, który ma na celu dostarczenie uczestnikom praktycznych umiejętności związanych z sztuczną inteligencją (AI – Artificial Intelligence). Szkolenie to ma na celu przygotowanie specjalistów lub pracowników różnych branż do wykorzystania technologii AI w swojej pracy lub projektach. Szkolenia tego typu są coraz bardziej popularne, ponieważ AI staje się coraz bardziej powszechne w wielu dziedzinach i istnieje popyt na specjalistów z umiejętnościami w tej dziedzinie. Warto zaznaczyć, że AI to obszar bardzo dynamiczny, więc regularne szkolenia i aktualizowanie wiedzy są kluczowe dla utrzymania konkurencyjności zawodowej.
• Szkolenie oparte będzie o język Python oraz popularne biblioteki jak: pandas, numpy, scikit-learn, pytorch oraz inne. Realizacja szkolenia odbywa się na platformie Colabolatory Google, wymagania stawiane uczestnikowi to posiadanie zwykłego konta w serwisie google np. poczta gmail.

• Specjalistów IT i programistów chcących poszerzyć swoje umiejętności o programowanie w dziedzinie uczenia maszynowego i AI.
• Inżynierowie, pracujący w dziedzinach takich jak robotyka, automatyka, czy elektronika, korzystający z wiedzy na temat implementacji systemów AI w swoich projektach.
• Analityków danych zarówno początkujących, jak i doświadczonych, chcących poznać techniki analizy danych z wykorzystaniem metod AI, co pozwoli im na bardziej zaawansowaną analizę i wnioskowanie z danych.

• Zrozumiesz udział danych w uczeniu maszynowym oraz zasady ich przygotowania
• Praktycznego wykorzystania poznanych algorytmów w rozwiązywaniu problemów
• Poznasz rodzaje uczenia maszynowego oraz podstawowe algorytmy we wskazanych obszarach
• Przygotowania do samodzielnego wytworzenia POC

1. DZIEŃ 1 – DANE
    • Rozgrzewka – co to jest Machine Learning (ML)
     • Definicja – podstawowe pojęcie Machine Learning i różnica między tradycyjnym programowaniem a uczeniem maszynowym
     • Historia i rozwój – ewolucja ML i jego wpływ na przemysł i naukę
     • Rodzaje uczenia – uczenie nadzorowane, nienadzorowane i przez wzmacnianie
    • Dane – EDA (Exploratory Data Analysis) i preprocessing
     • Znaczenie danych – dlaczego dane są ważne i jakie są ich źródła
     • Analiza eksploracyjna (EDA) – wizualizacje, statystyki opisowe, wykrywanie wartości odstających
     • Przygotowanie danych – czyszczenie, kodowanie zmiennych kategorycznych, skalowanie, normalizacja, podział na zestawy treningowe/testowe
     • Praktyczne przygotowanie danych do uczenia maszynowego – praca na prawdziwych danych (Google Colaboratory, Python)

2. DZIEŃ 2 – UCZENIE NADZOROWANE
    • Definicja – cechy charakterystyczne, zastosowania, zalety i wady
    • Regresja – modele liniowe, wielomianowe i logistyczne
    • Klasyfikacja – drzewa decyzyjne, maszyny wektorów nośnych (SVM), k-najbliższych sąsiadów (k-NN)
    • Metryki oceny – błąd średniokwadratowy, precyzja, czułość, F1, krzywa ROC, AUC
    • Praktyczne wykorzystanie algorytmów – wytworzenie POC na prawdziwych danych (Google Colaboratory, Python)

3. DZIEŃ 3 – UCZENIE NIENADZOROWANE
    • Definicja – charakterystyka, zastosowania, zalety i wady
    • Klasteryzacja – metody k-średnich, DBSCAN, hierarchiczna klasteryzacja
    • Redukcja wymiarowości – PCA, t-SNE
    • Praktyczne wykorzystanie algorytmów – wytworzenie POC na prawdziwych danych (Google Colaboratory, Python)

4. DZIEŃ 4 – SIECI NEURONOWE
    • Wprowadzenie – czym są sieci neuronowe, ich zastosowania, zalety i wady
    • Podstawy – perceptron, architektura sieci, funkcje aktywacji, propagacja wprzód i wstecz
    • Głębokie uczenie – głębokie sieci neuronowe, sieci konwolucyjne (CNN) do analizy obrazów
    • Praktyczne wykorzystanie algorytmów – wytworzenie POC na prawdziwych danych (Google Colaboratory, Python)

32 h/ 4 dni