Idealny dla zespołów, które…
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.
Zdobędziesz umiejętności analizy danych i uczenia maszynowego, wykorzystując biblioteki Pythona takie jak Pandas, NumPy, SciPy, matplotlib i seaborn do efektywnego przetwarzania, analizy i wizualizacji danych.
Nauczysz się pobierać dane, przeprowadzać analizę, wykonywać operacje na danych, w tym pracę z brakującymi danymi, wartościami odstającymi oraz walidację jakości danych.
Opanujesz techniki wizualizacji danych, w tym dobór wykresów do problemu, prezentację wniosków oraz eksport i zapisywanie wizualizacji.
Poznasz proces tworzenia i oceny modeli w bibliotece Scikit Learn: podział danych, walidacja (w tym cross-validation), dobór metryk oraz praktyczne podejście do problemów klasyfikacji, regresji i klasteryzacji.
Zdobędziesz wiedzę na temat pracy z sieciami neuronowymi w TensorFlow i Keras, w tym architektury, proces uczenia, regularizację, douczanie, transfer learning oraz typy sieci stosowane w przetwarzaniu obrazów i tekstu.
Nauczysz się podstaw eksploatacji modeli: wersjonowania artefaktów, powtarzalności eksperymentów, interpretacji wyników, ograniczeń i ryzyk (np. bias) oraz elementów monitoringu jakości i driftu.
Co konkretnie robimy
- · Pobieranie danych z plików, API i baz danych
- · Eksploracja danych oraz operacje na tablicach i danych tabelarycznych (NumPy/Pandas)
- · Obsługa braków danych, typów, wartości odstających oraz spójności danych
- · Czyszczenie danych i walidacja jakości (reguły, testy, unikanie wycieku informacji)
- · Wizualizacja eksploracyjna i prezentacyjna (matplotlib, seaborn)
- · Eksport wyników i zapis wizualizacji (formaty, parametry, powtarzalność)
- · Modelowanie w Scikit Learn (podział danych, walidacja, metryki, pipeline, dobór hiperparametrów) – klasyfikacja
- · Modelowanie w Scikit Learn (metryki, regularizacja, porównywanie modeli, analiza błędów) – regresja
- · Modelowanie w Scikit Learn (regresja, klasteryzacja, dobór cech, porównywanie modeli)
- · Sieci neuronowe w TensorFlow i Keras (architektury, uczenie, regularizacja, transfer learning) – dane obrazowe
- · Sieci neuronowe w TensorFlow i Keras (architektury, uczenie, transfer learning) – dane tekstowe i sekwencyjne
- · Eksploatacja modeli – podstawy reproducibility, wersjonowanie, monitoring jakości i driftu, interpretacja i ryzyka
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 →AI dla analityków: od danych do decyzji
Praktyczne warsztaty z AI i analityki danych — na realnych przypadkach Twojego zespołu.
AI jako narzędzie wspierające modernizację aplikacji
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.