Robocikowo>ROBOCIKOWO

← Kursy

Machine Learning Cover

Klasyczne MLPoczątkujący

Machine Learning

7 Rozdziałów32 Lekcje
Rozpocznij kurs

Kurs obejmuje kluczowe zagadnienia uczenia maszynowego na poziomie wprowadzającym: typy uczenia (nadzorowane, nienadzorowane, przez wzmacnianie), reprezentację danych i inżynierię cech, klasyczne algorytmy (regresja liniowa, drzewo decyzyjne, k-NN, SVM, naiwny Bayes), ocenę modeli (metryki, cross-validation, overfitting/underfitting) oraz podstawy biblioteki scikit-learn. Technologia ML jest obecnie fundamentem systemów rekomendacyjnych, diagnostyki medycznej, przetwarzania języka naturalnego i autonomicznych pojazdów — znajomość jej podstaw jest kompetencją wymaganą w coraz większej liczbie ról inżynierskich i analitycznych. Warunkiem wstępnym jest podstawowa znajomość Pythona (zmienne, pętle, funkcje, listy) oraz elementarna algebra liniowa (wektory, macierze). Kurs nie obejmuje głębokiego uczenia (sieci neuronowe, CNN, transformery), wdrożeń produkcyjnych ani MLOps. Absolwent kursu rozumie zasadę działania głównych algorytmów ML, potrafi przygotować dane, wytrenować model i ocenić jego jakość używając scikit-learn, oraz świadomie dobiera algorytm do klasy problemu.

Rozdziały

MODUŁ 01

Czym jest ML i mentalny model

0 / 4 · 0%

Wprowadzenie do uczenia maszynowego: definicja, trzy paradygmaty (supervised, unsupervised, reinforcement), pełny przepływ projektu ML oraz podział danych na train/validation/test.

  1. 1.1Definicja i zastosowania ML
  2. 1.2Trzy paradygmaty uczenia: supervised, unsupervised, reinforcement
  3. 1.3Przepływ projektu ML — od problemu do wdrożenia
  4. 1.4Train / Validation / Test split — fundament uczciwej ewaluacji
MODUŁ 02

Dane i przygotowanie

0 / 5 · 0%

Eksploracja, czyszczenie i transformacja danych pod modele ML: EDA, normalizacja cech numerycznych, kodowanie kategorycznych, obsługa braków i feature engineering.

  1. 2.1Eksploracja danych (EDA) — pierwszy kontakt z datasetem
  2. 2.2Cechy numeryczne i normalizacja
  3. 2.3Cechy kategoryczne i kodowanie
  4. 2.4Brakujące dane i cleaning
  5. 2.5Inżynieria cech (feature engineering)
MODUŁ 03

Regresja

0 / 5 · 0%

Regresja liniowa i wielomianowa: intuicja, funkcja kosztu MSE, gradient descent, hiperparametry, metryki ewaluacyjne i praktyka w scikit-learn.

  1. 3.1Regresja liniowa — intuicja
  2. 3.2Funkcja kosztu MSE
  3. 3.3Gradient descent
  4. 3.4Regresja wielomianowa i hiperparametry
  5. 3.5Metryki i scikit-learn w praktyce
MODUŁ 04

Klasyfikacja

0 / 5 · 0%

Klasyfikacja binarna i wieloklasowa w machine learningu: regresja logistyczna, drzewa decyzyjne, k-NN, naiwny Bayes, metryki jakości oraz diagnostyka modeli za pomocą confusion matrix i krzywej ROC.

  1. 4.1Regresja logistyczna — fundament klasyfikacji
  2. 4.2Drzewa decyzyjne — splity, Gini i pruning
  3. 4.3k-NN i Naiwny Bayes — klasyfikacja przez podobieństwo i prawdopodobieństwo
  4. 4.4Metryki klasyfikacji — accuracy, precision, recall, F1
  5. 4.5Confusion matrix i krzywa ROC
MODUŁ 05

Overfitting, Underfitting i regularyzacja

0 / 4 · 0%

Diagnostyka i kontrola pojemności modelu w machine learningu: niedouczenie i przeuczenie, kompromis bias-variance, regularyzacja L1 (Lasso) i L2 (Ridge) oraz walidacja krzyżowa jako narzędzie wyboru modelu i estymacji błędu generalizacji.

  1. 5.1Underfitting i overfitting — diagnoza dopasowania modelu
  2. 5.2Bias-variance tradeoff — formalna anatomia błędu
  3. 5.3Regularyzacja L1 i L2 — Lasso, Ridge i Elastic Net
  4. 5.4Cross-validation — k-fold, stratified, nested i pułapki praktyczne
MODUŁ 06

Ensemble i dobór modelu

0 / 5 · 0%

Metody zespołowe i systematyczny dobór modelu w machine learningu: intuicja stojąca za łączeniem wielu predyktorów (bagging, boosting, stacking), Random Forest, gradient boosting i XGBoost, interpretacja modeli przez feature importance oraz organizacja całego workflow w pipeline scikit-learn z walidacją krzyżową i przeszukiwaniem hiperparametrów.

  1. 6.1Intuicja ensemble — dlaczego wiele modeli bije jeden
  2. 6.2Random Forest — bagging drzew z losowaniem cech
  3. 6.3Gradient Boosting i XGBoost — sekwencyjne korygowanie błędów
  4. 6.4Feature importance — interpretacja modeli ensemble
  5. 6.5Pipeline scikit-learn i dobór modelu
MODUŁ 07

Uczenie nienadzorowane

0 / 4 · 0%

Algorytmy uczenia bez etykiet — od grupowania k-means przez hierarchiczne dendrogramy po redukcję wymiarów PCA i ich praktyczne ograniczenia.

  1. 7.1k-means clustering
  2. 7.2Hierarchical clustering
  3. 7.3PCA — redukcja wymiarowości
  4. 7.4Zastosowania i granice