Data Science
START: październik 2024 | 8 modułów
Autor kursu/CEO DataWorkshop <Vladimir Alekseichenko/>
✓ 100% online
lat doświadczenia z Data Science
10
NASZ
BESTSELLER
BESTSELLER
lat doświadczenia w programowaniu komercyjnym
15
kurs od podstaw
✓ Wystartuj TERAZ lub z grupą
✓ Uczysz się MACHINE LEARNING w praktyce
Chcę się zapisać na kurs lub skonsultować
Skontaktujemy się z Tobą i odpowiemy na wszystkie pytania, które się pojawią
Otrzymaj spersonalizowaną konsultację dopasowaną do Twoich potrzeb i celów, zapisz się teraz
FREE
ML
Chcesz zainwestować w rozwój umiejętności z Data Science i Machine Learning?
Jeśli tak, jesteś we właściwym miejscu.
Poznajesz te wyzwania?
Możesz je zachować albo zlikwidować z nami
Możesz je zachować albo zlikwidować z nami
Jak teorię przekuć w praktykę;
Nie mam portfolio i nie wiem, jak zacząć je budować;
Nie wiem, jakie analizy warto zrobić przed modelowaniem;
Nie mam praktyki w trenowaniu modeli i czuję się niepewnie;
Uczę się już jakiś czas, ale wciąż nie potrafię ustrukturyzować swojej wiedzy;
Brakuje mi wiedzy, jakie problemy biznesowe ML może wspierać i jak konkretnie;
Nie umiem wytrenować własnego modelu ML i nie wiem, co i jak modyfikować, aby polepszać wynik;
Nie wiem, od czego zacząć - zbyt dużo informacji w Internecie, nie wiadomo co działa i co jest najważniejsze na początek;
Nie wiem, jak rozwiązań problem od początku do końca, na co zwrócić uwagę podczas analizy danych, modelowania, doboru metryk sukcesu, trenowania i walidacji modelu ML.
Nie mam portfolio i nie wiem, jak zacząć je budować;
Nie wiem, jakie analizy warto zrobić przed modelowaniem;
Nie mam praktyki w trenowaniu modeli i czuję się niepewnie;
Uczę się już jakiś czas, ale wciąż nie potrafię ustrukturyzować swojej wiedzy;
Brakuje mi wiedzy, jakie problemy biznesowe ML może wspierać i jak konkretnie;
Nie umiem wytrenować własnego modelu ML i nie wiem, co i jak modyfikować, aby polepszać wynik;
Nie wiem, od czego zacząć - zbyt dużo informacji w Internecie, nie wiadomo co działa i co jest najważniejsze na początek;
Nie wiem, jak rozwiązań problem od początku do końca, na co zwrócić uwagę podczas analizy danych, modelowania, doboru metryk sukcesu, trenowania i walidacji modelu ML.
Już NIE musisz szukać metody skutecznego działania. Jest gotowa dla Ciebie. Skorzystaj!
Budujesz swoje portfolio już podczas kursu;
Uczysz się tego, co działa w praktyce i tego, czego opłaca Ci się uczyć;
Umiesz i rozumiesz po co i jak wykorzystuje się narzędzia ML w praktyce;
Na naszym kursie będziesz przede wszystkim DZIAŁAĆ, a nie tylko oglądać czy czytać;
Wiedzę zdobywasz od praktyka i eksperta, który pracuje komercyjnie przy projektach ML dla wielu firm.
Kluczowe umiejętności do pracy w obszarze Data Science:
Pomożemy Ci zdobyć praktycznie wszystkie twardy umiejętności!
Dodatkowe materiały
☝️ Jak to osiągasz z nami?
Trenując konkretne umiejętności i wykorzystując narzędzia, które są standardem w branży Data Science & Machine Learning:
1
Logujesz się do naszej platformy
Dostajesz dostęp do danych, materiałów i środowiska, gdzie przerabiasz materiał, analizujesz dane i trenujesz modele.Działasz o dowolnej porze dnia - wtedy, kiedy jest Ci najwygodniej. Dostęp do środowiska nauki masz 24/7 w trakcie trwania kursu.
2
Problem do rozwiązania
Można uczyć się w teorii lub na konkretnych przykładach. Polecamy tę drugą opcję :)
Od samego początku przyswajasz wiedzę i nabywasz umiejętności, które potem wykorzystasz w pracy.
Od samego początku przyswajasz wiedzę i nabywasz umiejętności, które potem wykorzystasz w pracy.
3
Praca z danymi
Materiał kursu jest wzbogacony o wiele ciekawych zbiorów danych, na których uczysz się w ramach lekcji rozwiązywać popularne problemy biznesowe i używać narzędzi DS i ML. Zanim jednak przejdziemy do modelowania, poznajesz w praktyce, jakie analizy warto wykonać przed, aby pomóc sobie podjąć typowe decyzje w pracy Data Scientist.
4
Rozwiązanie Machine Learning
Jak wytrenować model ML? Który model sprawdzi się lepiej w danej sytuacji? Jak usprawniać wynik modelu? Jaką metrykę sukcesu wybrać? Jak walidować? Z naszą pomocą wykonasz wiele eksperymentów, aby przekonać się, co i jak działa. Podpowiemy Ci także, co wiemy z naszego doświadczenia, aby zaoszczędzić Twój czas.
Zobacz demo kursu
Dołącz do osób, które wolą działać i uczyć się Data Science na danych i poprzez przykłady, a nie jedynie czytając książki i oglądając video.
Zapisując się na listę
zobaczysz kurs od środka, przykładowe lekcje i zadania, dowiesz się na temat praktyki w Data Science & ML na konkretnych przykładach.
Zapisując się na listę
zobaczysz kurs od środka, przykładowe lekcje i zadania, dowiesz się na temat praktyki w Data Science & ML na konkretnych przykładach.
Jak przebiega szkolenie?
Nie musisz niczego instalować. Logujesz się i działasz o dowolnej porze. Analizujesz dane, trenujesz modele i eksperymentujesz na skonfigurowanym przez nas środowisku Jupyter, gdzie już są nasze materiały. Nie tracisz czasu na zbędną na tym etapie walkę z bibliotekami i ich instalowaniem.
Ponad 30 przykładów i wyzwań do rozwiązania. Dzięki temu możesz bezpośrednio przekuć teoretyczne zagadnienia w praktykę.
Pracujesz na naszych zbiorach danych, wspólnie rozwiązujemy wyzwania z pomocą ML.
Pracujesz na naszych zbiorach danych, wspólnie rozwiązujemy wyzwania z pomocą ML.
Dzięki zorganizowanej grupie na Slack, możesz zadawać pytania w dowolnej ilości i o dowolnej porze, nawet po zakończeniu kursu ;) Dodatkowo poznajesz inne osoby z branży. To miejsce, gdzie możesz liczyć na nasze wsparcie i stajesz się częścią społeczności DataWorkshop.
Teorię sprowadzamy do niezbędnego minimum i tłumaczymy na przykładach i analogiach. Dla chętnych i głodnych bardziej zaawansowanych terminów - zebraliśmy materiał warty poznania, który uzupełnia każdy moduł.
Lubisz łączyć metody nauki i wspierać się video? Nie ma sprawy, mamy wiele nagrań. Wykłady "krok po kroku" wyjaśnią Ci wszystko, co dzieje się w lekcjach i kodzie, a "podsumowania" pomogą znaleźć odpowiedzi na najczęściej zadawane pytania. Dowiesz się z nich także wielu ciekawostek, jak radzić sobie z nietypowymi wyzwaniami i utrwalisz wiedzę.
W ramach kursu masz okazję zmierzyć się z wyzwaniem biznesowym, które przygotowujemy w ramach każdej edycji, aby pomóc naszym uczestnikom zbudować portfolio z prototypem rozwiązania.
Co to oznacza dla Ciebie? Po zakończonym kursie masz nie tylko wiedzę i umiejętności, aby zacząć podejmować wyzwania zawodowe, ale i masz co pokazać pracodawcy.
Co to oznacza dla Ciebie? Po zakończonym kursie masz nie tylko wiedzę i umiejętności, aby zacząć podejmować wyzwania zawodowe, ale i masz co pokazać pracodawcy.
Dla kogo jest nasz kurs?
W skrócie: dla zdecydowanych na rozwój w branży Data Science, którzy stawiają przede wszystkim na praktykę.
Często naszymi uczestnikami są:
Często naszymi uczestnikami są:
kolejny krok kariery
Analityk / specjalista BI
Twoje obecne narzędzia nie są wystarczające, aby sprostać wymaganiom biznesu? Na kursie wykonasz szereg analiz ucząc się nowych metod wydobywania wartości biznesowej z danych.
poszerzenie kompetencji
Programista / IT
Planujesz zmienić kierunek rozwoju, a może chcesz przygotować się na efektywne wsparcie działu Data Science w swojej firmie?
Po kursie zrozumiesz czym jest model i jego wdrożenia od strony koncepcyjnej, wyzwań, jak i kodu.
Po kursie zrozumiesz czym jest model i jego wdrożenia od strony koncepcyjnej, wyzwań, jak i kodu.
rozwój kariery
Data Scientist
Pracujesz już na stanowisko DS i stawiasz pierwsze kroki w branży? A może czujesz, że ciągle pracujesz tymi samymi metodami, a przecież są inne? Kurs pomaga osobom już będącym w branży wznieść się na kolejny poziom i przyspieszyć rozwój swojej kariery
zarządzanie zespołami DS
Manager IT / DS
Prowadzisz zespół Data Science, ale nie czujesz się pewnie z rozumieniem tematu od strony praktycznej, wyzwań i terminologii?
Kurs pozwoli Ci dobrze zrozumieć, co robi zespół Data Science.
Kurs pozwoli Ci dobrze zrozumieć, co robi zespół Data Science.
dla programistów
dla analityków
dla BI
dla menadżerów
Tyle edycji kursów zrealizowaliśmy w DataWorkshop
Tyle osób zaufało kursom DataWorkshop
Osób dają ★★★★★ (maks) za kurs DataWorkshop❤️
20+
3000+
9/10
Online kursy od DataWorkshop
Kurs w DataWorkshop = uczysz się od eksperta i praktyka z wieloletnim doświadczeniem
Oszczędzasz:
Czas:
Nie tracisz czasu, jak na uczelni na rozbudowaną teorię, która "ucieka z głowy" tuż po egzaminie. Uczysz się tylko tego, co jest praktyczne i działa!
Pieniądze:
Dostajesz najważniejsze informacje, które możesz wykorzystać wprost w projektach Data Science - otrzymujesz je w krótkim czasie i w przystępnej cenie.
Autor programu -
Vladimir Alekseichenko
Vladimir Alekseichenko
- mam 10 lat praktycznego doświadczenia w Machine Learning i Data Science w programowaniu;
- 15 lat doświadczenie w amerykańskich i europejskich firmach różnej wielkości (od korporacji po startup);
- wdrożyłem kilkaset modeli Machine Learning na produkcję, które zarabiają na siebie;
- jestem CEO i założycielem DataWorkshop;
- udzielam konsultacji firmom, jak wdrażać uczenie maszynowe we właściwy sposób, aby wyciągać wartość z danych z pomocą Machine Learning;
- buduję modele i cały pipeline zarządzania modelami i walidacją dla firm o dużej skali;
- uczę innych na bazie mojego doświadczenia w ramach kursów i innych inicjatyw edukacyjnych - ponad 3 tysiące uczestników ukończyło moje szkolenia dedykowane podnoszeniu kompetencji;
- Stworzyłem i poprowadziłem podcast Biznes Myśli (> 200 000 odsłuchań).
Uczę tak, aby dać Ci bardzo konkretne narzędzia do pracy z danymi i modelami ML
Program kursu
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.
✅ 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.
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.
✅ 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.
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.
✅ 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.
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.
✅ 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.
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
✅ 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
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).
✅ 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).
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
✅ 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
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.
✅ 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.
Jak wygląda interaktywne środowisko pracy (jupyter) z materiałami szkoleniowymi:
absolwentów DataWorkshop pracuje w:
Google, IBM, Intel, Microsoft, Orange, Oracle, Cisco, Nokia, Motorola, Adobe, General Electric, Allegro, OLX, Asseco, Comarch, Ryanair, UBS, Revolut, Santander, ING, PKO, RTV EURO AGD, CANAL+, RTB House, Brainly, zooplus, FreshMail, GetResponse...
Chcesz dołączyć do najlepszych?
1500+
Wsparcie
Otrzymujesz odpowiedzi na pytania.
Konsultujesz swoje pomysły.
Poznajesz innych specjalistów z branży o różnym poziomie doświadczenia.
Na naszym zamkniętym kanale Slack:
Technologie
Python
Jupyter
NumPy
Pandas
Scikit-learn
Matplotlib
Seaborn
XGBoost
CatBoost
Keras
dlib C++
OpenCV
Wybierz swój pakiet
- 20+ jupyter notebook с материалами (в том числе с домашними заданиями)
- Сконфигурированное окружение jupyter - открываешь и можешь сразу работать
- Доступ к закрытой группе в Slack
- Полезные ссылки на дополнительные материалы
- Сконфигурированное окружение jupyter - открываешь и можешь сразу работать
- Доступ к закрытой группе в Slack
- Полезные ссылки на дополнительные материалы
KUP TERAZ
1 osoba
GOLD
Co zawiera Pakiet
4182,00 PLN*
Masz motywację do działania i lubisz niezależność? Nie musisz czekać na grupę ani wyznaczoną datę, dołącz TERAZ i zacznij już zdobywać nowe kwalifikacje.
Co zyskujesz kupując ten kurs?
- Certyfikat po ukończeniu kursu (warunek: co najmniej 80% wykonania kursu)
- Dostęp do środowiska 24/7 przez aż 8 tygodni od momentu startu kursu.
- Nie musisz niczego instalować - logujesz się i działasz w naszym interaktywnym środowisku, gdzie masz dane, materiały i trenujesz modele na naszych serwerach.
- Możliwość zakupu kursu wraz z aktualną promocją i opóźnienia startu, jeśli jest taka potrzeba.
- Dostęp do zamkniętej grupy na Slacku wraz z możliwością zadawania pytań na bieżąco dotyczących materiału kursu.
- Dostęp do wszystkich nagrań kursu.
Co zyskujesz kupując ten kurs?
- Ty decydujesz, kiedy działasz.
- Wybierasz najlepszy czas na naukę bez czekania na konkretną datę startu.
zapytaj o wycenę
Zakup kurs dla zespołu
START: dowolny moment, możliwa zmiana czasu trwania kursu i zakresu
Potrzebujesz faktury?
Napisz do nas: hello@dataworkshop.eu
Napisz do nas: hello@dataworkshop.eu
*Najniższa ceny w ciągu ostatnich 30 dni: 4182 zł.
KUP TERAZ
PAKIET DLA ZESPOŁÓW
Chcesz przeszkolić zespół, potrzebujesz faktury proforma lub masz pytania - pisz śmiało!
Co mówią o DataWorkshop?
DataWorkshop to więcej niż firma edukacyjna 💪
Zajmujemy się wyłącznie projektami uczenia maszynowego
Od ponad 10 lat zajmujemy się wydobywaniem wartości z danych, a uczenie maszynowe bardzo w tym pomaga.
Trzymamy fokus i nie rozpraszamy się. Działamy w branży ML / AI i uczymy tego innych w taki sposób, aby pomóc każdemu w realizacji komercyjnych projektów.
Jesteśmy praktykami
Wdrożyliśmy już setki modeli ML na produkcję, które zarabiają na siebie.
Pomagamy firmom zarówno zbudować pierwsze modele, jak usprawniać produkcyjnie już istniejące.
Pracowaliśmy dla różnych branż: telco, nieruchomości, automotive, edtech, logistyczna itd.
Pomagamy firmom zarówno zbudować pierwsze modele, jak usprawniać produkcyjnie już istniejące.
Pracowaliśmy dla różnych branż: telco, nieruchomości, automotive, edtech, logistyczna itd.
Dzielimy się z Tobą tym, co działa w praktyce, a nie na papierze...
Uczymy tego, w czym jesteśmy świetni. Sprawdziliśmy się w boju i działamy na polu edukacyjnym tak, aby i Ciebie przygotować na pracę z danymi i modelami Machine Learning.
Chcesz działać skutecznie w branży Data Science i Machine Learning? Działaj z nami, aby wyrobić praktyczne umiejętności i budować karierę eksperta w tej branży.
Chcesz działać skutecznie w branży Data Science i Machine Learning? Działaj z nami, aby wyrobić praktyczne umiejętności i budować karierę eksperta w tej branży.
Często zadawane pytania
Tak, kurs jest w 100% online.
Zalecany czas to 1-2h dziennie lub więcej (co najmniej 5 godzin w tygodniu). Również dla pakietów Gold i Premium będzie dodatkowa godzina na webinar (1 raz w tygodniu) oraz dla pakietu Premium będzie dodatkowa godzina na indywidualną konsultację.
Bardzo polecam robić to regularnie w ciągu tygodnia, np. godzinka z rano, wtedy kiedy umysł jest wypoczęty. Wtedy będzie łatwiej przetrawić informację, niż w 5-8h w ciągu jednego dnia.
Bardzo polecam robić to regularnie w ciągu tygodnia, np. godzinka z rano, wtedy kiedy umysł jest wypoczęty. Wtedy będzie łatwiej przetrawić informację, niż w 5-8h w ciągu jednego dnia.
Kurs składa się z 8 modułów.
- Jeden moduł w tygodniu, dlatego cały kurs potrwa 8 tygodni.
- Jeden moduł będzie zawierał, co najmniej jedną godzinę wideo z wytłumaczeniem (tak zwany step by step).
- Również każdy moduł będzie posiadał zadania domowe.
- Zadania domowe będą wykonane w środowisku, które zostanie przeze mnie skonfigurowane.
- Najbardziej popularne błędy lub trudności będziemy omawiać podczas webinarów, lub podczas indywidualnych konsultacji (pakiet Premium).
Tak, będzie zarówno klasyfikacja jak i regresja. Również będzie o sieciach neuronowych (w szczególności o sieciach konwolucyjnych). Na samym końcu będzie moduł dotyczący dobrych praktyk uczenia maszynowego oraz wdrażanie modeli na produkcję. Więcej można znaleźć na stronie w bloku "Agenda".
Nie wymagam ukończenia matematyki czy statystki, wręcz przeciwnie, obawiam się, że ludzi po tych kierunkach, mogą być zaskoczeni :).
Tłumaczę to zupełnie inaczej, niż to robi się na wymienionych kierunkach. Unikam formalnych wzorów lub innych zawiłych definicji, stawiam bardzo dużo na analogię i przykłady.
Tłumaczę to zupełnie inaczej, niż to robi się na wymienionych kierunkach. Unikam formalnych wzorów lub innych zawiłych definicji, stawiam bardzo dużo na analogię i przykłady.
Kurs jest w 100% online i jeden moduł trzeba przerobić w przeciągu tygodniu. Każdy uczestnik sam decyduje kiedy chcę to zrobić. Ze swojej strony bardzo gorąco polecam robić to z rano, tuż po obudzeniu (np. wcześniej wstać), wtedy kiedy umysł jeszcze jest zdolny do przyjmowania nowej wiedzy. Wieczorem po pracę, to może być trudniej, bo wtedy mózg jest zmęczony. Wybór każdy ma zrobić samodzielnie :).
W kursie, będzie dość sporo na temat deep learning (polecam sprawdzić agendę moduły 5-7). Napisanie bota do gier sprawdza się do tematu uczenia ze wzmocnieniem (ang. reinforcement learning), bardzo ciekawy temat, ale w tym kursie go nie będzie ze względu na złożoność.
W kursie, będzie dość sporo na temat deep learning (polecam sprawdzić agendę moduły 5-7). Napisanie bota do gier sprawdza się do tematu uczenia ze wzmocnieniem (ang. reinforcement learning), bardzo ciekawy temat, ale w tym kursie go nie będzie ze względu na złożoność.
Tak, jak najbardziej. Przede wszystkim więcej praktyki, również w pytaniu widzę takie algorytmy jak: SVM czy RF, one czasem działają całkiem dobrze. Zwykle boosting (np. xgboost) działa od nich lepiej, bardziej stabilnej i szybciej oraz wymaga mniej czasu na naukę i predykcję.Kolejną wartością dodaną mogą być sieci neuronowe, gdzie np. można nauczyć się, jak przetwarzać obrazy.
Na samym końcu będę mówić o dobrych praktykach oraz wdrażaniu modeli na produkcję, co jest bardzo ważnym, lecz niestety pomijanym zagadnieniem. Ostatnie, ale najbardziej wartościowe, to przerobienie szeregu konkretnych przykładów, na których można wiele się nauczyć. Wtedy człowiek najlepiej zapamiętuje i zaczyna rozumieć, jak to wykorzystać w praktyce.
Na samym końcu będę mówić o dobrych praktykach oraz wdrażaniu modeli na produkcję, co jest bardzo ważnym, lecz niestety pomijanym zagadnieniem. Ostatnie, ale najbardziej wartościowe, to przerobienie szeregu konkretnych przykładów, na których można wiele się nauczyć. Wtedy człowiek najlepiej zapamiętuje i zaczyna rozumieć, jak to wykorzystać w praktyce.
Pytanie jest dość trudne. Zapytam poprzez analogię, jak obszerną wiedzę, trzeba mieć, żeby zacząć prowadzić samochód? To - jak działa silnik samochód lub jaka jest przyczepność samochodu - dość skomplikowane tematy z punktu widzenia teorii, z drugiej strony jak wiele osób o tym wiedzą wśród miliardów kierowców? W tym przypadku bardziej chodzi o umiejętność i wyczucia, niż zrozumienie teorii. Tym właśnie i zajmiemy się w kursie. Poznasz jak wyciągać wartość z danych.
Myślę, że tak. Język programowanie jest tylko narzędziem. Według mnie najtrudniejszym jest odpowiedni sposób myślenia. To jest połączenia myślenia logicznego i strategicznego. Jeśli posiadasz te dwie cechy to poziom trudności raczej będzie do zaakceptowania. Poczytaj komentarze dotychczasowych uczestników kursu tutaj. Swoją drogą, zawsze możesz to sprawdzić. Masz 2 tygodnie, żeby zdecydować się, czy kurs Ci odpowiada. Zapraszam :).
Jestem samoukiem. Dlatego wiedzę, którą zdobyłem "przepuściłem" przez siebie i tłumaczę ją poprzez analogie i przykłady. Na tym myślę, polega największa wartość tego kursy i mam nadzieję, że będzie Ci odpowiadać. Pierwszy krok to wyjaśnienie, jaki problem chcemy rozwiązać, używając przykładów lub analogii, a później przechodzimy na poziom techniczny i skupiamy się bardziej na kodzie niż samych wzorach matematycznych.
Tak, jest możliwość wystawienia faktury przy zamówieniu. Należy podczas składania zamówienia w drugim kroku wybrać opcje: "Chcę otrzymać fakturę".
Satysfakcja gwarantowana ❤️
lub zwrot pieniędzy (do 14 dni od rozpoczęcia kursu)!
Jeżeli okażę się, że nasz sposób przekazywania wiedzy jest mało skuteczny w Twoim wypadku, to możesz liczyć na zwrot zainwestowanych pieniędzy. Masz 14 dni od rozpoczęcia kursu, żeby zdecydować, czy kurs Ci odpowiada.
Absolwenci kursu
Płatność w ratach
1 osoba
Start 19.10
Co zawiera Pakiet
2091,00 PLN
1 RATA
Pakiet BASIC +
- Certyfikat po ukończeniu kursu (pod warunkiem że masz wykonane, co najmniej 80% kursu)
- Odpowiedzi na 100 najpopularniejsze pytania z poprzednich edycji kursu, dzięki czemu jeszcze głębiej zanurzysz się (ciężko jest wpaść na różne pytania, ale jak tysiące osób brało udział to różnorodność pytań jest dość zaskakujące)
- DWtools: trackowanie eksperymentów (MLFlow)
- 3 DWGym (przyspieszanie ) - python, pandas, sklearn
Wpłata do19 października
1 osoba
Start 19.11
Co zawiera Pakiet
2091,00 PLN
2 RATA
Pakiet BASIC +
- Certyfikat po ukończeniu kursu (pod warunkiem że masz wykonane, co najmniej 80% kursu)
- Odpowiedzi na 100 najpopularniejsze pytania z poprzednich edycji kursu, dzięki czemu jeszcze głębiej zanurzysz się (ciężko jest wpaść na różne pytania, ale jak tysiące osób brało udział to różnorodność pytań jest dość zaskakujące)
- DWtools: trackowanie eksperymentów (MLFlow)
- 3 DWGym (przyspieszanie ) - python, pandas, sklearn
Wpłata do 19 listopada
Pisz śmiało👇
również możesz pisać na:
hello@dataworkshop.eu
hello@dataworkshop.eu
ul. Mogilska 43
31-545 Kraków, Polska
31-545 Kraków, Polska
© All Rights Reserved.
DataWorkshop sp. z o.o.
ul. Mogilska 43
31-545 Kraków
KRS: 0000815135
NIP: 6762574286
REGON: 384914283
DataWorkshop sp. z o.o.
ul. Mogilska 43
31-545 Kraków
KRS: 0000815135
NIP: 6762574286
REGON: 384914283