Cena kursu
- Cena spotkania grupowego wynosi 90 zł netto za 60 minut (110,7 zł brutto za 60 minut).
- Cena spotkania indywidualnego wynosi 140 zł netto za 60 minut (172,2 zł brutto za 60 minut).
- Płacisz zawsze za 25 kolejnych spotkań grupowych.
- Płacisz zawsze za jedno kolejne spotkanie indywidualne.
- Pierwsze spotkanie grupowe gratis.
- Istnieje możliwość wystawienia faktury VAT.
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.
Plan kursu
- Omówienie podstawowych zagadnień z zakresu Data Science oraz AI
- Zdefiniowanie celów Data Science, AI, ML oraz DL
- Instalacja narzędzia Anaconda
- Instalacja narzędzia IPython
- Analiza narzędzi Anaconda – Jupyter Notebook
- Analiza narzędzi Anaconda – Jupyter Lab
- Poznanie podstawowych elementów Jupyter Notebook
- Tworzenie dokumentacji w Jupyter Notebook
- Praca z managerem pakietów conda
- Przygotowanie wirtualnego środowiska z wykorzystaniem managera conda
- Instalacja narzędzi oraz pluginów do pracy z Data Science oraz AI w PyCharm
- Instalacja narzędzi oraz pluginów do pracy z Data Science oraz AI w Visual Studio Code
- Prezentacja i analiza kolejnych etapów procesu przetwarzania danych w ramach AI
- Wprowadzenie podstawowych pojęć związanych z biblioteką NumPy
- Hierarchia typów danych w NumPy
- Wielowymiarowy obiekt tablicowy ndarray
- Uniwersalne funkcje do pracy z poszczególnymi elementami w tablicy
- Przegląd operacji tablicowych
- Rozgłaszanie
- Tablice o złożonej strukturze
- Tablice i operacje na plikach
- Algebra liniowa z wykorzystaniem biblioteki NumPy
- Zagadnienia uzupełniające
- Wprowadzenie podstawowych pojęć związanych z biblioteką Pandas
- Obiekt Series
- Obiekt DataFrame
- Obiekty index
- Pobieranie danych z zasobów zewnętrznych
- Zapisywanie danych do zasobów zewnętrznych
- Czyszczenie i przygotowanie danych
- Operacje łączenia, wiązania i przekształcania
- Sposoby zarządzania wartościami liczbowymi oraz napisami
- Zarządzanie danymi reprezentującymi datę oraz czas
- Generowanie statystyk i podsumowań
- Zarządzanie wartościami NA
- Grupowanie danych
- Omówienie funkcji do zarządzania strukturą Index
- Mechanizm chained indexing
- Zagadnienia uzupełniające
- Wprowadzenie podstawowych pojęć związanych z biblioteką Matplotlib
- Praca z interfejsem pakietu matplotlib
- Line plot
- Bar chart
- Pie chart
- Histogram
- Scatter plot
- Subplot
- Inne przykłady wykresów
- Animacje
- Zarządzanie opisem, wyglądem oraz danymi wykresów
- Przegląd innych możliwości biblioteki Matplotlib
- Wprowadzenie podstawowych pojęć związanych z biblioteką seaborn
- Tworzenie zaawansowanych wykresów z użyciem biblioteki seaborn
- Zagadnienia uzupełniające
- Pobieranie danych z różnego rodzaju zasobów zewnętrznych
- Generowanie dowolnego zestawu danych za pomocą Chat GPT
- Eliminacja lub zastępowanie niepożądanych danych (Label Encoding, Feature Hashing, One-Hot Encoding)
- Podział danych na zbiór treningowy oraz zbiór testowy
- Feature Scaling (normalizacja, standaryzacja)
- Wizualizacja danych
- Zagadnienia uzupełniające
- Omówienie pojęcia regresji
- Omówienie pojęcia Ordinary Least Squares
- Warunki potrzebne do zastosowania regresji
- Dummy Variables
- Klasyfikacja rodzajów regresji
- Regresja Liniowa Prosta
- Regresja Liniowa Wieloraka
- Regresja Wielomianowa
- Support Vector Regression (SVR)
- Decision Tree Regression
- Random Forest Regression
- Przegląd innych metod regresji
- Zagadnienia uzupełniające
- Omówienie pojęcia klasyfikacji
- Regresja logistyczna
- Metoda K Najbliższych Sąsiadów
- Maszyna wektorów nośnych (SVM)
- Kernel SVM
- Naiwny klasyfikator Bayes’a
- Drzewa klasyfikacyjne
- Las losowy
- Przegląd innych metod klasyfikacji
- Zagadnienia uzupełniające
- Omówienie pojęcia klasteryzacji
- Klasteryzacja K-means
- Klasteryzacja hierarchiczna
- Przegląd innych sposobów klasteryzacji
- Zagadnienia uzupełniające
- Omówienie pojęcia uczenia reguł asocjacyjnych
- Algorytm Apriori
- Algorytm ECLAT
- Przegląd innych metod uczenia reguł asocjacyjnych
- Zagadnienia uzupełniające
- Omówienie pojęcia uczenia przez wzmacnianie
- Upper Confidence Bound
- Algorytm próbkowania Thompsona
- Przegląd innych metoda uczenia przez wzmacnianie
- Zagadnienia uzupełniające
- Omówienie pojęcia Natural Language Processing
- Rodzaje sposobów przetwarzania języka naturalnego
- Klasyczne modele NLP
- Modele wykorzystujące Deep Learning
- Zagadnienia uzupełniające
Materiały video
-
Spring - 1 - Webflux - Testowanie kontrolerów
-
Spring - 2 - Spring Data JPA - Mapa w encji
-
Spring - 3 - Spring Data JPA - Composite Key
-
Spring - 4 - Spring Data JPA - Projekcje
-
Spring - 5 - Webflux - Globalne przechwytywanie wyjątków
-
Spring - 6 - Konfiguracja loggerów z wykorzystaniem biblioteki log4j2
