Menu Zamknij

Python Data Science Machine Learning

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 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

    Newsletter