Praktyczny Machine Learning w Pythonie

•Wprowadzenie do machine learningu

◦Data science, Data Mining, Deep Learning, Big Data i Machine learning.

◦Znaczenie machine learningu dla biznesu

◦Machine learning jako funkcja.

•Supervised learning

◦Problem regresji i klasyfikacji. Funkcja celu.

◦Bias - variance dillema.

◦Regresja liniowa i logistyczna (przypomnienie)

◦Drzewa decyzyjne.

◦Proste drzewa decyzyjne.

◦Random Forest.

◦Boosting.

◦Sieci neuronowe.

•Unsupervised learning

◦Klastrowanie

◦Nie tylko K-Means: porównanie licznych algorytmów klastrowania.

◦Klątwa wymiarowości.

◦Redukcja wymiarów:

▪Principal component analysis (PCA)

▪Self-organizing map (SOM)

▪t-distributed stochastic neighbor embedding (t-SNE)

•Reinforcement Learning

WIEDZA

Zna w sposób pogłębiony metody modelowania predykcyjnego. Zna i rozumie metody oparte o drzewa decyzyjne oraz sieci neuronowe. Zna źródła pozyskiwania dużych zbiorów danych.

Zna sposoby wykorzystania języka programowania Python na potrzeby analizy danych

Zna możliwości aplikacyjne przedstawionych metod statystycznych i na ich podstawie może tworzyć analizy na potrzeby analiz rynkowych w pracy lub na potrzeby własnej firmy.

UMIEJĘTNOŚCI

Potrafi dobrać odpowiednią metodę modelowania do postawionego problemu. Na podstawie uzyskanych wyników potrafi formułować własne opinie i aplikować wiedzę teoretyczną do opisu i analizy zjawisk ekonomicznych.

Potrafi wyszukać dane, zastosować modelowanie predykcyjne, udokumentować proces analityczny oraz sporządzić opis przeprowadzonych czynności.

KOMPETENCJE SPOŁECZNE

Praktyka wykorzystania języka programowania Python pozwala na zwiększenie umiejętności samodzielnego uczenia i zwiększa kompetencje w programowaniu obiektowym.

Przeprowadzone na zajęciach ćwiczenia i praktyki modelowania pozwalają studentowi być krytycznym względem wyników uzyskiwanych w pracach naukowych.