Menu Zamknij

Python Data Science Machine Learning

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

Newsletter

Zapisz się na KURS i zyskaj - licencja JetBrains na 6 miesięcy za darmo!