Praktyczne podstawy Machine Learning i Data Science
(ładowanie i przygotowanie danych, trenowania pierwszych modele, oceniane jakości)

Poznasz:
✅ jak wygląda podstawowa ścieżka ML - od pobierania danych do treningu modelu ML
✅ podstawy przetwarzania danych (pandas, numpy)
✅ przygotowanie danych: brakujące wartości, kategoryczne zmienne itd
✅ podstawowe umiejętności kodowania w Pythonie (def, map, lambda)
✅ poznanie czym są cechy i zmienna docelowa w uczeniu maszynowym (ML)
podstawy feature engienering (inżyneria cech)
✅ jak wytrenować pierwszy modele wykorzystując sklearn - LogisticRegression, DecisionTreeClassifier
✅ wprowadzenie do diagnozowanie przeuczenia się (ang. learning curve)
✅ badanie ważności cech (ang. feature importantes)
metryka sukcesu - już zaczniemy oceniać jakość uzyskanego modelu (wprowadzenie)
✅ podstawy wizualizacji danych w procesie ich przygotowania oraz wyświetlania wyników
🎁 bonus (przegląd jednego z przydatnych pakietów Pythona - pandas_profiling)

Zadania
1️⃣ klasyfikacja binarna: prognozowania płci po imieniu (np. Jacek to męskie imię)
2️⃣ klasyfikacja binarna: prognozowanie zarobków (ponad 50 tys. lub mniej)

Wynik
Po przejściu tego modułu zrozumiesz ogólny obraz ML — podstawowe kroki należy przejść, aby wytrenować modele uczenia maszynowego na surowych danych, jak pracować z cechami. Wytrenujesz modele dla dwóch różnych prawdziwych problemów.

Metryki sukcesu, walidacja modelu, wizualizacja i modele drzewiaste

Poznasz
✅ dlaczego wizualizacja jest Twoim przyjacielem i poznasz proste wskazówki, jak to robić i jakie pakiety są najczęściej stosowane (matplotlib, seaborn)
✅ dlaczego metryka sukcesu jest "latarnią morską" w uczeniu maszynowym
✅ jakie metryki sukcesu są najczęściej stosowane i dla jakich typów modeli (klasyfikacja i regresja)
✅ dlaczego walidacja modeli jest tak ważna, poznasz je rodzaje w tym walidacja krzyżowa (ang. cross validation)
✅ co to jest underfitting vs. overfitting, i jak zdiagnozować przeuczenie się przy pomocy krzywej uczenia się (ang. learning curve)
✅ poznasz kolejne modele ML wykorzystując bibliotekę sklearn tym razem skupimy się na algorytmach drzewiastych w tym bagging: (DecisionTreeClassifier, RandomForestClassifier, ExtraTreesClassifier)
✅ przyjazny dla użytkownika dynamiczny sposób zmiany zawartości wykresów za pomocą ipywidgets, bez konieczności tworzenia dużej liczby tego samego typu linii kodu
🎁 bonus (recenzja jednego z przydatnych pakietów Pythona - plotly)


Zadania
1️⃣ klasyfikacja binarna: prognozowanie zarobków (ponad 50 tys. lub mniej)
2️⃣ klasyfikacja multi-label: prognozowanie rodzaju ziemie


Wynik
Po przejściu przez ten moduł nauczysz się poprawnie interpretować metryki oceny modeli w celu podejmowania właściwych decyzji. A wiedzę na temat wizualizacji możesz natychmiast zastosować do dowolnych swoich danych, bez konieczności kupowania i instalowania innych programów.

Gradient boosting - złote modele oraz tuning hyperparametrów

Poznasz
✅ najczęściej używane modele wspomagania gradientu (xgboost, lightgbm, catboost)
✅ metryki oceny tych modeli - czym są "hiperparametry" i jak wpływają na jakość modeli
✅ praktyczne podejście do optymalizacji hiperparametrów plus Bonus (przegląd jednego z przydatnych pakietów Pythona - xgbfir)
✅ Również w tym module rozpoczyna się konkurs w Kaggle i kompleksowy przykład rozwoju modelu.
🎁 bonus

Zadania
1️⃣ - regresja: prognozowanie cen nieruchomości

Konkurs
✅ to jest projekt specjalny

Wynik
Ten moduł nauczy Cię stosowania najbardziej popularnych modeli uczenia maszynowego w praktyce. I już na tym etapie możesz budować modele dla swoich rzeczywistych danych.

Feature Engineering - "serce" każdego projektu ML

Poznasz:
✅ co ważniejsze- "optymalizacja hiperparametrów" lub "Feature Engineering"
✅ podstawowe metody Feature Engineering dla różnych typów danych: dla wartości ciągłych, dla wartości kategorycznych, dla dat i innych
🎁 bonus - Global Refinement of Random Forest

Zadania
1️⃣ klasyfikacja binarna - prognozowanie przeżycie pasażerów w Titanic
2️⃣ regresja - prognozowanie popytu na rowery
3️⃣ regresja - oszacowanie wysokości odszkodowania z tytułu ubezpieczenia
4️⃣ klalsyfikacja - predykcja awarii sieci (trzy możliwe stany)


Wynik
Zakończenie konkursu w Kaggle i przekrojowy przykład rozwoju modelu plus Bonus.
Po przejściu tego modułu zrozumiesz ogólną logikę budowania funkcji dla modeli ML.

Proste wyjaśnienie koncepcji sieci neuronowych i deep learningu

Poznasz
✅ dlaczego "mama-tata-babcia-ja" to neuronowa sieć decyzyjna
✅ podstawowe pojęcia podczas budowy sieci neuronowych (architektura, warstwy, funkcje aktywacji, inicjalizacja wag, krzywa uczenia się i inne)
✅ jak zbudować prostą sieć neuronową za pomocą keras
✅ jak stworzyć sieć neuronową do rozpoznawania rodzajów odzieży
🎁 bonus - łączenie modele boostingu (np. xgboost) z siecią neuronową, aby zdobyć jeszcze lepszą jakość na przykładzie oszacowanie wysokości odszkodowania z tytułu ubezpieczenia

Zadania
1️⃣ klasyfiakcja (multiclass) - MNIST
2️⃣ klasyfiakcja (multiclass) - Fashion MNIST

Wynik
Ten moduł pomoże Ci zrozumieć superzłożoną koncepcję sieci neuronowych dosłownie w ciągu kilku dni. Na początek możesz pominąć zawiłe formuły matematyczne

Sieci konwolucyjne (ang. CNN)

Poznasz
✅ praktyczne wprowadzenie do sieci konwolucyjnych (CNN) na palcach
✅ konfiguracja CNN: map features (kernels), max/average pooling, dropout
✅ czym są stride, padding i jak je dobierać
✅ jak można łączyć poszczególne warstwy w bloki i jakie są wzory
✅ data augmentation: tak zwany flipping, rotation, projection
🎁 bonus - CIFAIR10 oraz rozpoznawanie kotów i psów z wykorzystaniem GPU na Colab

Zadania
1️⃣ klasyfiakcja (multiclass) - MNIST
2️⃣ klasyfiakcja (multiclass) - Fashion MNIST
3️⃣ klasyfiakcja (multiclass) - rozpoznawanie znaków drogowych

Wynik
Poznasz czym sieci konwolucyjne i jak można je zastosować w praktyce na przykładach pracy z obrazkami, czyli tak zwane widzenie komputerowe (ang. computer vision).

Transfer wiedzy (ang. transfer learning) - wykorzystanie już wytrenowanych wcześniej modele

Poznasz
✅ konkurs ImageNet
✅ modele które zostały wytrenowane w ramach ImageNet: LeNet, VGG, ResNet, Inception
✅ jakie są strategie dotrenowywania modele (ang. fine-tuning)
🎁 bonus - ozpoznowanie i porównanie twarzy (czy na dwóch zdjęciach jest ta sama osoba)

Zadania
1️⃣ klasyfiakcja (multiclass) - wrzucanie "dowolnych" obrazków, aby je sklasyfikować
2️⃣ klasyfiakcja (multiclass) - rozpoznawanie znaków drogowych
3️⃣ klasyfiakcja (multiclass) - rozpoznawanie znaków drogowych

Wynik
Wprowadzenie do koncepcji, przykład zastosowania modeli przedtreningowych, wykorzystanie ich do zadania rozpoznawania znaków drogowych

Wdrożenie modele ML na produkcję oraz dobre praktyki

Poznasz:
✅ na co należy zwracać szczególną uwagę przy wdrożeniu modelu ML na produkcje
✅ co to oznacza - powtarzalność wyniku i dlaczego jest tak bardzo ważna w praktycznym rozumieniu
✅ sposoby zapisywanie wytrenowanych modele na dysk (porównanie wad i zalety), aby moc ich przenosić i wczytywać na innym serwerze
✅ tworzenie pipeline'ów ML (przetwarzania danych i trenowanie modeli)
✅ dobre praktyki organizacji projektu
✅ jak można wersjonować modele i podmieniać je na produkcje (bez braku dostępu dla użytkowników)
✅ sposoby wdrażania modeli ML do ich obsługi (flask, H2O, Google Cloud....)
✅ monitorowanie eksploatacji modeli (tensor board)
🎁 bonus (jak wdrożyć model na rozproszonym klastrze serwerów z GPU)

Wynik
Ten moduł jest najważniejszy dla tych, którzy już nauczyli się trenować modele, ale jeszcze nie wiedzą, jak uczynić je przydatnymi. Innymi słowa, jak wdrożyć modele ML w praktyce, aby wyciągnąć wartość z danych.