Zadaj pytanie
AI AI

Szkolenie AI w praktyce

Termin

Ustalamy indywidualnie

Czas

24 h / 4 dni

Cena

Ustalamy indywidualnie

Szkolenie z AI w praktyce

Szkolenie „AI w praktyce” to kurs, który ma na celu dostarczenie uczestnikom praktycznych umiejętności związanych z sztuczną inteligencją (AI – Artificial Intelligence). Szkolenie to ma na celu przygotowanie specjalistów lub pracowników różnych branż do wykorzystania technologii AI w swojej pracy lub projektach. Szkolenia tego typu są coraz bardziej popularne, ponieważ AI staje się coraz bardziej powszechne w wielu dziedzinach i istnieje popyt na specjalistów z umiejętnościami w tej dziedzinie. Warto zaznaczyć, że AI to obszar bardzo dynamiczny, więc regularne szkolenia i aktualizowanie wiedzy są kluczowe dla utrzymania konkurencyjności zawodowej.

Dla kogo jest szkolenie AI w praktyce?

Specjalistów IT i programistów: Osób pracujących w dziedzinie informatyki i programowania chcących poszerzyć swoje umiejętności o programowanie w dziedzinie uczenia maszynowego i sztucznej inteligencji.

Analityków danych: Analitycy danych, zarówno początkujący, jak i doświadczeni, mogą chcieć poznać techniki analizy danych z wykorzystaniem metod AI, co pozwoli im na bardziej zaawansowaną analizę i wnioskowanie z danych.

Inżynierów: Inżynierowie, zwłaszcza ci pracujący w dziedzinach takich jak robotyka, automatyka, czy elektronika, mogą korzystać z wiedzy na temat implementacji systemów AI w swoich projektach.

Uwagi:

Szkolenie oparte będzie o język Python oraz popularne biblioteki jak: pandas, numpy, scikit-learn, pytorch oraz inne. Realizacja szkolenia odbywa się na platformie Colabolatory Google, wymagania stawiane uczestnikowi to posiadanie zwykłego konta w serwisie google np. poczta gmail.

Program Szkolenie AI w praktyce

Dzień 1 – Dane

Rozgrzewka – co to jest Machine Learning (ML)

Definicja: Przedstawienie podstawowego pojęcia Machine Learning i różnicy między tradycyjnym programowaniem a uczeniem maszynowym
Historia i rozwój: Jak ML ewoluował w ciągu lat i jego wpływ na przemysł i naukę
Rodzaje uczenia: Wprowadzenie do uczenia nadzorowanego, nienadzorowanego i przez wzmacnianie

Dane – EDA (Exploratory Data Analysis) i preprocessing

Znaczenie danych: Dlaczego dane są ważne w ML i jakie są źródła zbierania danych
Analiza eksploracyjna EDA: Wizualizacje, statystyki opisowe, wykrywanie wartości odstających
Przygotowanie danych: Czyszczenie danych (np. usuwanie brakujących wartości), kodowanie zmiennych kategorycznych, skalowanie i normalizacja, podział na zestawy treningowe/testowe
Praktyczne przygotowanie danych do uczenia maszynowego, praca na prawdziwych danych – Google Collabolatory, Python

Dzień 2 – uczenie nadzorowane

Definicja: Cechy charakterystyczne uczenia nadzorowanego, jakie problemy rozwiązuje, zalety i wady
Regresja: Modele liniowe, wielomianowe i logistyczne
Klasyfikacja: Drzewa decyzyjne, maszyny wektorów nośnych (SVM), k-najbliższych sąsiadów (k-NN)
Metryki oceny: Błąd średniokwadratowy, precyzja, czułość, F1, krzywa ROC, AUC
Praktyczne wykorzystanie omówionych algorytmów w rozwiązywaniu problemów – wytworzenie POC na prawdziwych danych – Google Collabolatory, Python

Dzień 3 – uczenie nienadzorowane

Definicja: Charakterystyka uczenia nienadzorowanego, jakie problemy rozwiązuje, zalety i wady
Klasteryzacja: Metody takie jak k-średnich, DBSCAN i hierarchiczna klasteryzacja
Redukcja wymiarowości: Techniki takie jak analiza głównych składowych (PCA) i t-SNE
Praktyczne wykorzystanie omówionych algorytmów w rozwiązywaniu problemów – wytworzenie POC na prawdziwych danych – Google Collabolatory, Python

Dzień 4 – sieci neuronowe

Wprowadzenie: Co to są sieci neuronowe i jakie mają zastosowania, zalety i wady
Podstawy: Perceptron, architektura sieci, funkcje aktywacji, propagacja wprzód i wstecz
Głębokie uczenie: głębokie sieci neuronowe, sieci konwolucyjne (CNN) do analizy obrazów
Praktyczne wykorzystanie omówionych algorytmów w rozwiązywaniu problemów – wytworzenie POC na prawdziwych danych – Google Collabolatory, Python
Pobierz program

Czego nauczysz się na szkoleniu AI w praktyce?

Zrozumiesz udział danych w uczeniu maszynowym oraz zasady ich przygotowania

Poznasz rodzaje uczenia maszynowego oraz podstawowe algorytmy we wskazanych obszarach

Praktycznego wykorzystania poznanych algorytmów w rozwiązywaniu problemów

Przygotowania do samodzielnego wytworzenia POC

Chcesz dowiedzieć się więcej o szkoleniu z AI w praktyce?

Dowiedz się więcej

Przemysław Wołosz

Szkolenia dla firm
(+48) 730 830 801

    Zamów rozmowę