Menu Zamknij

Python AI

Opis kursu

  • Profesjonalne przygotowanie do pracy na stanowisku programisty w wybranym języku programowania oraz powiązanymi z nim bibliotekami oraz frameworkami.
  • Nauka od podstaw po zaawansowane rozwiązania komercyjne.
  • Zoptymalizowany kod napisany zgodnie z dobrymi praktykami programistycznymi.
  • Szkolenie według planu dopasowanego do najnowszych standardów IT.
  • Nagrania ze spotkań grupowych, które możesz oglądać kiedy tylko chcesz.
  • Ogromna ilość zadań teoretycznych i praktycznych o różnym poziomie trudności.
  • Wsparcie mentora przy rozwiązywaniu problemów związanych z pytaniami teoretycznymi, zadaniami praktycznymi i projektami komercyjnymi.
  • Elastyczny kontakt z mentorem.
  • Profesjonalne przygotowanie do rozmowy kwalifikacyjnej.
  • Profesjonalnie przygotowane portfolio z rozbudowanymi projektami komercyjnymi.
  • Skuteczne techniki nauki programowania.
promocja ikona
PROMOCJA – pierwsze spotkanie GRATIS

Już teraz

zapisz się na kurs​

Zostaw swoje namiary, a skontaktuję się z Tobą w sprawie kursu

    * - pola obowiązkowe

    Administratorem danych osobowych jest KM PROGRAMS KRZYSZTOF MAKOWSKI z siedzibą przy ul. Cicha 7, 42-454 Niegowonice, Polska. Dane osobowe osób korzystających z formularza kontaktowego przetwarzane są w celu identyfikacji nadawcy oraz obsługi zapytania przesłanego przez udostępniony formularz. Więcej informacji o przetwarzaniu danych osobowych, w tym o przysługujących Ci uprawnieniach, znajduje się w Polityce Prywatności.

    Plan kursu

    • Omówienie podstawowych zagadnień z zakresu AI
    • Przegląd i porównanie środowisk programistycznych
    • Konfiguracja środowiska Google Colab
    • Konfiguracja środowiska GitHub Codespaces 
    • Konfiguracja środowiska Anaconda
    • Praca z managerem pakietów conda.
    • Praca z platformą Jupyter Notebook
    • Wprowadzenie pojęć związanych z uczeniem maszynowym
    • Klasyfikacja systemów uczenia maszynowego
    • Sposoby analizy problemu biznesowego
    • Odpowiednia selekcja danych wejściowych
    • Przetrenowanie i niedotrenowanie danych uczących
    • Dobór modelu
    • Testowanie i ocena modelu
    • Strojenie hiperparametrów modelu
    • Analiza problemu
    • Wybranie wskaźnika jakości i wydajności modelu
    • Pobranie rzeczywistych danych
    • Podział danych na odpowiednie zbiory
    • Analiza i wizualizacja danych w celu znalezienia zależności
    • Przygotowanie danych wejściowych pod algorytmy uczenia maszynowego
    • Dobór i trenowanie modelu
    • Testowania i ocena jakości modelu
    • Strojenie modelu
    • Uruchomienie gotowej aplikacji
    • Monitorowanie zachowania aplikacji dla nowych danych
    • Zadania praktyczne i projekty związane z przygotowaniem szablonu projektu uczenia maszynowego
    • Sprawdzian krzyżowy
    • Macierz pomyłek
    • Precyzja i pełność
    • Wykres krzywej ROC
    • Regresja liniowa
    • Gradient prosty
    • Regresja wielomianowa
    • Krzywe uczenia
    • Regularyzowane modele liniowe
    • Regresja logistyczna
    • Zadania praktyczne i projekty związane z regresją
    • Klasyfikator binarny
    • Klasyfikacja wieloklasowa
    • Klasyfikacja wieloetykietowa
    • Klasyfikacja wielowyjściowa
    • Zadania praktyczne i projekty związane z klasyfikacją
    • Liniowa klasyfikacja SVM
    • Nieliniowa klasyfikacja SVM
    • Regresja SVM
    • Kernelizowane maszyny SVM
    • Zadania praktyczne i projekty związane z maszynami nośnymi
    • Uczenie i wizualizowanie drzewa decyzyjnego
    • Wyliczanie prognoz
    • Prawdopodobieństwo przynależności do klas
    • Algorytm CART
    • Wskaźnik Giniego i entropia
    • Hiperparametry regularyzacyjne
    • Regresja
    • Zadania praktyczne i projekty związane z drzewami decyzyjnymi
    • Klasyfikatory głosujące
    • Agregacja i wklejanie
    • Losowe lasy
    • Wzmacnianie gradientowe
    • Wzmacnianie gradientu w oparciu o histogram
    • Kontaminacja
    • Zadania praktyczne i projekty związane z uczeniem zespołowym i losowymi lasami
    • Klątwa wymiarowości
    • Omówienie strategii redukcji wymiarowości
    • PCA
    • Rzutowanie losowe
    • LLE
    • Przegląd innych technik redukowania wymiarowości
    • Zadania praktyczne i projekty związane z redukcją wymiarowości
    • Analiza skupień (algorytm centroidów, DBSCAN)
    • Mieszaniny gaussowskie
    • Zadania praktyczne i projekty związane z uczeniem nienadzorowanym
    • Wprowadzenie pojęć związanych ze sztucznymi sieciami neuronowymi
    • Implementowanie perceptronów wielowarstwowych za pomocą Keras
    • Dostrajanie hiperparametrów sieci neuronowej
    • Zadania praktyczne i projekty związane ze sztucznymi sieciami neuronowymi
    • Wprowadzenie pojęć związanych z głębokimi sieciami neuronowymi
    • Problemy zanikających / eksplodujących gradientów
    • Wielokrotne stosowanie gotowych warstw
    • Przegląd optymalizatorów
    • Harmonogramowanie współczynnika uczenia
    • Regularyzacja i inne sposoby zapobiegania przetrenowaniu
    • Zadania praktyczne i projekty związane z głębokimi sieciami neuronowymi
    • Wprowadzenie pojęć związanych ze splotowymi sieciami neuronowymi
    • Implementacja warstwy splotowych
    • Implementacja warstwy łączącej
    • Przegląd architektur splotowych sieci neuronowych
    • Klasyfikowanie i lokalizowanie
    • Wykrywanie obiektów
    • Śledzenie obiektów
    • Segmentacja semantyczna
    • Zadania praktyczne i projekty związane ze splotowymi sieciami neuronowymi
    • Wprowadzenie pojęć związanych z rekurencyjnymi sieciami neuronowymi
    • Uczenie sieci rekurencyjnych
    • Prognozowanie szeregów czasowych
    • Obsługa długich sekwencji
    • Przetwarzanie języka naturalnego za pomocą rekurencyjnych sieci neuronowych
    • Analiza opinii
    • Sieć typu koder – dekoder
    • Mechanizmy uwagi i transformatory
    • Zadania praktyczne i projekty związane z rekurencyjnymi sieciami neuronowymi
    • Analiza PCA za pomocą niedopełnionego autokodera liniowego
    • Autokodery stosowe
    • Autokodery splotowe
    • Autokodery odszumiające
    • Autokodery rzadkie
    • Zadania praktyczne i projekty związane z autokoderami
    • Wprowadzenie pojęć związanych z generatywnymi sieciami neuronowymi
    • Głębokie splotowe sieci GAN
    • Rozrost progresywny sieci GAN
    • StyleGAN
    • Modele rozproszone
    • Zadania praktyczne i projekty związane z GAN
    • Optymalizowanie nagród
    • Wyszukiwanie strategii
    • Ocenianie czynności – problem przypisania zasługi
    • Gradienty strategii
    • Procesy decyzyjne Markowa
    • Uczenie metodą różnic czasowych
    • Q-uczenie
    • Algorytmy RN
    • Zadania praktyczne i projekty związane z uczeniem przez wzmacnianie

    Newsletter