Machine Learning&AI
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.
Idealny dla zespołów, które…
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.
Zrozumiesz rolę danych w uczeniu maszynowym oraz zasady ich przygotowania (EDA, preprocessing, podziały train/validation/test, unikanie data leakage)
Nauczysz się praktycznie wykorzystywać podstawowe algorytmy ML w rozwiązywaniu problemów nadzorowanych i nienadzorowanych, wraz z doborem metryk i analizą błędów
Poznasz rodzaje uczenia maszynowego oraz typowe podejścia modelowe (regresja, klasyfikacja, klasteryzacja, redukcja wymiarowości, wprowadzenie do sieci neuronowych)
Przygotujesz się do samodzielnego wytworzenia PoC: od danych, przez model, po ocenę jakości i wnioski o ograniczeniach rozwiązania
Co konkretnie robimy
Dzień 1 – Dane
- · Definicja: podstawowe pojęcie Machine Learning oraz różnica między tradycyjnym programowaniem a uczeniem maszynowym
- · Historia i rozwój: ewolucja ML oraz wpływ na przemysł i naukę
- · Rodzaje uczenia: uczenie nadzorowane, nienadzorowane oraz uczenie przez wzmacnianie
- · Znaczenie danych: rola danych w ML oraz źródła pozyskiwania danych
- · Analiza eksploracyjna EDA: wizualizacje, statystyki opisowe, kontrola braków i wartości odstających
- · Przygotowanie danych: czyszczenie danych (braki, duplikaty), kodowanie zmiennych kategorycznych, skalowanie i normalizacja, podział train/validation/test oraz kontrola data leakage
- · Ćwiczenia praktyczne: przygotowanie danych do uczenia maszynowego na danych rzeczywistych – Google Colaboratory, Python
Dzień 2 – uczenie nadzorowane
- · Definicja: charakterystyka uczenia nadzorowanego, typy problemów, zalety i ograniczenia
- · Regresja: modele liniowe i wielomianowe; podstawy regresji logistycznej jako klasyfikacji binarnej
- · Klasyfikacja: drzewa decyzyjne, SVM, k-NN; podstawy doboru i strojenia
- · Metryki oceny: MSE/MAE/RMSE, precyzja, czułość, F1, krzywa ROC, AUC; walidacja krzyżowa i dobór progu
- · Ćwiczenia praktyczne: zastosowanie algorytmów nadzorowanych na danych rzeczywistych – prototyp PoC – Google Colaboratory, Python
Dzień 3 – uczenie nienadzorowane
- · Definicja: charakterystyka uczenia nienadzorowanego, typy problemów, zalety i ograniczenia
- · Klasteryzacja: k-średnich, DBSCAN i klasteryzacja hierarchiczna; dobór liczby klastrów i interpretacja
- · Redukcja wymiarowości: PCA oraz UMAP/t-SNE; zastosowania w wizualizacji i kompresji cech
- · Ćwiczenia praktyczne: zastosowanie algorytmów nienadzorowanych na danych rzeczywistych – prototyp PoC – Google Colaboratory, Python
Dzień 4 – sieci neuronowe
- · Wprowadzenie: charakterystyka sieci neuronowych, zastosowania, zalety i ograniczenia
- · Podstawy: perceptron, architektura sieci, funkcje aktywacji, propagacja w przód i wstecz, optymalizacja gradientowa
- · Głębokie uczenie: głębokie sieci neuronowe; podstawy CNN w analizie obrazów
- · Ćwiczenia praktyczne: zastosowanie sieci neuronowych na danych rzeczywistych – prototyp PoC – Google Colaboratory, Python
Od briefu do retro w 30 dniach.
Brief i diagnoza
Rozmowa z liderem zespołu + krótka ankieta dla uczestników. Określamy cele, gap, kontekst.
Modyfikacja programu
Dostosowujemy moduły, case studies i przykłady kodu pod Twój stack. Akceptacja w 5 dni.
Warsztat
Sesje z trenerem, hands-on, code review. Mentor dostępny też pomiędzy sesjami.
Retro + raport
Raport z efektami dla zespołu i lidera. 30 dni konsultacji w cenie.
Wyślij brief. Odezwiemy się w 1 dzień.
Po krótkim briefie przygotujemy program i wycenę. Bez zobowiązań — to tylko punkt wyjścia do rozmowy.
Dziękujemy!
Odezwiemy się w ciągu 1 dnia roboczego.
Inne programy dla zespołów
Zobacz wszystkie →Agenci AI w Praktyce: Budowa, Integracja i Skalowanie
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.
AI - szkolenie ogólne
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.
AI dla Analityków Systemowych
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.