Uczenie maszynowe w Pythonie
Uczenie maszynowe w Pythonie
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Grupa docelowa usługi
Szkolenie jest odpowiednie zarówno dla osób, które posiadają już podstawową wiedzę z Pythona i analizy danych, jak i dla tych, którzy chcą pogłębić kompetencje w zakresie uczenia maszynowego oraz jego praktycznego zastosowania w Pythonie.
- Minimalna liczba uczestników6
- Maksymalna liczba uczestników10
- Data zakończenia rekrutacji19-11-2026
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi21
- Podstawa uzyskania wpisu do BURCertyfikat systemu zarządzania jakością wg. ISO 9001:2015 (PN-EN ISO 9001:2015) - w zakresie usług szkoleniowych
Cel
Cel
Cel edukacyjny
Nabycie przez uczestników praktycznych umiejętności budowania, trenowania i oceny modeli uczenia maszynowego przy użyciu Pythona i biblioteki scikit-learn, umożliwiających samodzielną realizację projektów ML od przygotowania danych po wdrożenie modelu.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
| Przygotowuje dane do modelowania (czyszczenie, feature engineering, normalizacja). | Uczestnik przetwarza wskazany zbiór danych likwidując brakujące wartości, enkodując zmienne kategoryczne i skalując cechy numeryczne, dokumentując każdy krok. | Test teoretyczny z wynikiem generowanym automatycznie |
| Trenuje i ocenia modele klasyfikacji i regresji. | Uczestnik trenuje co najmniej 2 modele (np. regresja logistyczna i random forest) dla wskazanego problemu, ocenia je metrykami (accuracy/F1/RMSE) i porównuje wyniki. | Test teoretyczny z wynikiem generowanym automatycznie |
| Stosuje cross-validation i tuning hiperparametrów. | Uczestnik przeprowadza k-fold cross-validation i GridSearchCV/RandomizedSearchCV dla wskazanego modelu, identyfikując optymalny zestaw hiperparametrów. | Test teoretyczny z wynikiem generowanym automatycznie |
| Interpretuje i wizualizuje wyniki modeli ML. | Uczestnik tworzy confusion matrix, krzywe ROC/AUC, wykres ważności cech (feature importance) i formułuje wnioski na temat jakości modelu i kluczowych predyktorów. | Test teoretyczny z wynikiem generowanym automatycznie |
Kwalifikacje i kompetencje
Kwalifikacje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Program
Program
1. Co to jest uczenie maszynowe?
o Statystyka a uczenie maszynowe
o Rodzaje problemów
o Przykładowe metody
o Rodzaje błędów popełnianych przez algorytmy
o Ekosystem uczenia maszynowego w Pythonie
2. Regresja liniowa
o Najprostsza metoda predykcyjna
o Od jednej zmiennej do wielu
o Wstępna obróbka danych
o Walidacja predykcji
o Interpretacja ważności parametrów
3. Regresja logistyczna
o Przewidywanie kategorii
o Różnica pomiędzy klasyfikacją a regresją
o Walidacja predykcji
o Interpretacja ważności parametrów
4. Drzewa decyzyjne
o Jako ogólna metoda do klasyfikacji
o Kluczowe różnice pomiędzy metodami liniowymi
o Zjawisko przeuczania (overfitting) i jak mu przeciwdziałać
5. Random Forest - jedna z najbardziej praktycznych metod
o Wprowadzenie do RF
o Ustalenia parametrów
o Wady i zalety RF w porównaniu z innymi metodami
o Przetwarzanie danych pod RF
o Ważność parametrów
6. XGBoost - trudniejsze, ale i potężniejsze narzędzie
o Wprowadzenie do boosted trees
o Porównanie z RF - z zaletami i wadami
o Ustalanie hiperparametrów
o Metoda “grid search”
o Ważność parametrów
7. Projekt
o Projekt end-to-end, od pozyskania danych do ich czytelnej prezentacji
o Praca w małym zespole
o Mentoring prowadzącego
Harmonogram
Harmonogram
| Przedmiot / temat | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Przedmiot / temat 1 z 10 Co to jest uczenie maszynowe?/Regresja liniowa | Prowadzący Mateusz Zimoch | Data realizacji zajęć 23-11-2026 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 12:30 | Liczba godzin 03:30 |
Przedmiot / temat 2 z 10 Przerwa Obiadowa | Prowadzący Mateusz Zimoch | Data realizacji zajęć 23-11-2026 | Godzina rozpoczęcia 12:30 | Godzina zakończenia 13:00 | Liczba godzin 00:30 |
Przedmiot / temat 3 z 10 Regresja logistyczna | Prowadzący Mateusz Zimoch | Data realizacji zajęć 23-11-2026 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 16:00 | Liczba godzin 03:00 |
Przedmiot / temat 4 z 10 Drzewa decyzyjne | Prowadzący Mateusz Zimoch | Data realizacji zajęć 24-11-2026 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 12:30 | Liczba godzin 03:30 |
Przedmiot / temat 5 z 10 Przerwa Obiadowa | Prowadzący Mateusz Zimoch | Data realizacji zajęć 24-11-2026 | Godzina rozpoczęcia 12:30 | Godzina zakończenia 13:00 | Liczba godzin 00:30 |
Przedmiot / temat 6 z 10 Random Forest - jedna z najbardziej praktycznych metod | Prowadzący Mateusz Zimoch | Data realizacji zajęć 24-11-2026 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 16:00 | Liczba godzin 03:00 |
Przedmiot / temat 7 z 10 XGBoost - trudniejsze, ale i potężniejsze narzędzie | Prowadzący Mateusz Zimoch | Data realizacji zajęć 25-11-2026 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 12:30 | Liczba godzin 03:30 |
Przedmiot / temat 8 z 10 Przerwa Obiadowa | Prowadzący Mateusz Zimoch | Data realizacji zajęć 25-11-2026 | Godzina rozpoczęcia 12:30 | Godzina zakończenia 13:00 | Liczba godzin 00:30 |
Przedmiot / temat 9 z 10 Projekt | Prowadzący Mateusz Zimoch | Data realizacji zajęć 25-11-2026 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 15:30 | Liczba godzin 02:30 |
Przedmiot / temat 10 z 10 Walidacja | Prowadzący Mateusz Zimoch | Data realizacji zajęć 25-11-2026 | Godzina rozpoczęcia 15:30 | Godzina zakończenia 16:00 | Liczba godzin 00:30 |
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 2 952,00 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 2 400,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 140,57 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 114,29 PLN |
Prowadzący
Prowadzący
Mateusz Zimoch
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
Informacje o materiałach dla uczestników usługi - Uczestnicy otrzymają komplet materiałów PDF. Każdy uczestnik otrzymuje kod dostępu i
dane logowania do platformy ZOOM na 7 dni przed datą rozpoczęcia szkolenia. Dane
przesyłane są na adres e-mail podany podczas rejestracji.
Warunki uczestnictwa
Podstawowa znajomość Pythona oraz doświadczenie w pracy z danymi, umiejętność obsługi komputera.
Informacje dodatkowe
Warunkiem ukończenia szkolenia i otrzymania zaświadczenia jest uzyskanie minimalnej
frekwencji na poziomie 80% całkowitego czasu trwania usługi. Obecność uczestnika będzie
potwierdzana na podstawie codziennych list obecności lub logów z platformy online.
Warunki techniczne
Warunki techniczne
Uczestnik musi dysponować sprzętem i łączem o parametrach:
• Procesor: min. 4-rdzeniowy (np. Intel i5/i7 lub odpowiednik AMD/M1/M2)
• Pamięć RAM: min. 16 GB
• Dysk: min. 20 GB wolnej przestrzeni
• System operacyjny: Windows 10/11 Pro, Linux lub macOS
• Multimedia: Sprawna kamera internetowa oraz mikrofon (wymagane do komunikacji i weryfikacji obecności)
• Łącze internetowe: Stabilne połączenie o minimalnej prędkości 10 Mbps (download) / 5 Mbps (upload)
• Oprogramowanie: Uprawnienia administratora pozwalające na instalację narzędzi