Data science: Machine Learning + AI - kurs zaawansowany - Małopolski Pociąg do Kariery / Kierunek Rozwój / Graj po Zielone

Szkolenie pozwala na poznanie tajnik budowania, trenowania i oceny modeli analizy danych. Uczestnicy opanowują kluczowe algorytmy tradycyjnego uczenia maszynowego, a także umiejętność właściwego podziału danych do trenowania modeli w Scikit-learn. Przechodzą przez techniki cross-walidacji, optymalizacji hiperparametrów i inżynierię cech, umożliwiające lepsze i bardziej zasobooszczędne przetwarzanie danych dla modeli ML. Omawiane są również zagadnienia związane z przetwarzaniem języka naturalnego (NLP).

W drugiej części kursu uczestnicy opanowują zaawansowane techniki głębokiego uczenia, takie jak CNN, transfer learning i rekurencyjne sieci neuronowe. Poznają tajniki tworzenia modeli do rozpoznawania obrazów z użyciem biblioteki Tensorflow, wykorzystywania gotowych rozwiązań w projektach, czy też analizy danych sekwencyjnych.

W szkoleniu mogą wziąć udział zarówno osoby, które myślą o przyszłej pracy na stanowiskach Data Scientist, AI Engineer, Machine Learning Developer, jak również osoby chcące zdobyć nowe umiejętności w zajmowanych już stanowiskach pracy, kadra kierownicza, właściciele firm, czy też specjaliści sektora zielonej gospodarki.Zaleca się, aby Uczestnicy posiadali wiedzę z zakresu programowania w języku Python.

Z racji dynamicznego rozwoju branż zielonych technologii, kurs uczy tworzenia modeli uczenia maszynowego w sposób pozytywnie wpływający na środowisko i wspierający zrównoważony rozwój oraz pozwala na zrozumienie roli technologii cyfrowych we wspieraniu zielonej gospodarki. Ćwiczenia podczas kursu w sposób praktyczny integrują wiedzę umiejętności technicznych z wiedzą o zielonej gospodarce, umożliwiając tym samym również poznanie narzędzi analizy danych w kontekście oceny wpływu człowieka na środowisko naturalne.

--

STRUKTURA KURSU:

• kurs obejmuje 58h dydaktycznych (45 min) =43,5h zegarowych (60 min)) - w tym. ok. 13h teoretycznych oraz 45h praktycznych (live coding w formie wirtualnej klasy)
• całość kursu prowadzona jest na żywo (on-line), na platformie webinarowej, w formule live-coding - przez cały czas z trenerem
• dodatkowo planowana jest samodzielna praca własna kursantów w domu (ćwiczenia, projekty), z możliwością konsultacji na platformie Slack - praca ta pozwala utrwalić zdobyta podczas zajęć wiedzę i nie jest wliczana do czasu trwania usługi - nie jest to obowiązkowe;

--

• grupa liczy maksymalnie 16 os. i jest jedną z najmniejszych grup na rynku
• przewidziane są przerwy podczas zajęć 6 godzinnych w soboty, które zostały uwzględnione w harmonogramie - nie wliczają się do ilości godzin
• aby osiągnąć zakładany cel realizacji usługi, uczestnik powinien być obecny w trakcie zajęć zdalnych w czasie rzeczywistym
• walidacja efektów kształcenia odbywa się w formie testu teoretycznego w formie cyfrowej, z wynikiem generowanym automatycznie - test na zewnętrznej platformie, w oparciu o indywidualne kody dostępu

--

Wprowadzenie do AI, Machine Learning oraz zielonej gospodarki

• przypomnienie języka Python - odświeżenie podstaw języka, programowanie i dobre praktyki kodowania (optymalizacja kodu), efektywność zarządzania typami danych
• przypomnienie numpy i pandas - praca z tablicami i ramkami, czyszczenie, eksploracja, optymalizacja danych
• ekosystem Python dla ML - wprowadzenie do bibliotek Scikit-learn, Tensor Flow oraz zarządzania pakietami
• VSC oraz Google Colab
• wprow. do ziel. gosp., charakterystyka głównych poglądów dotyczących zrównoważonego rozwoju, zasady środowiskowe 6R w zakresie TIK, rola Funduszu Sprawiedliwej Transf.
• przykłady wykorzystywania narzędzi cyfrowych w kontekście transformacji gosp. - modele Machine Learning i AI w sektorach ziel. gosp. w celu wsparcia zielonej transformacji (modele predykcyjne, big data, AI, inteligentne systemy transportowe, smart grids, monitoring zużycia zasobów, inteligentne miasta, monitoring danych środ. itd.)
• aspekty etyczne i środowiskowe w zakresie rozwoju modeli AI - dlaczego AI może być (nie)ekologiczny? - duże modele, wzrost energii przy trenowaniu, nadmiar generowanych mediów itd.

Wizualizacja i interpretacja wyników

• zaawansowane wykresy i heatmapy z wykorzystaniem Matplotlib i Seaborn
• integracja SQLi Pandas w analizie danych, w tym danych środowiskowych
• ćwiczenia praktyczne z wykorzystaniem numpy / pandas / matplotlib analizujące wpływ działalności człowieka na środowisko - m.in. analiza danych energetycznych (wizualizacja udziału odnawialnych i nieodnawialnych źródeł en. w miksie energetyczny), szacowanie śladu węglowego transportu, badanie zależności między stylem życia, a emisją (wykresy rozrzutu, boxploty, korelacje)

Machine Learning - uczenie nadzorowane

• ML i Scikit-learn - pipeline ML, podział danych, ocena i optymalizacja modeli
• regresja liniowa i regularyzacja - modele regresji, overfitting, Lasso i Ridge
• klasyfikacja - Logistic Regression, k-NN, analiza macierzy pomyłek oraz metryki oceny
• drzewa deyzyjne i lasy losowe - budowa, ensemble learning, interpretacja feature importance
• SVM i strojenie hiperparametrów - zastosowanie SVM, kernel trick, wykorzystanie GridSearchCV
• optymalizacja modeli pod kątem efektywności energetycznej
• wprowadzenie do modeli parametrycznych i nieparametrycznych - podstawy teoretyczne, różnice i praktyczne zastosowania
• zaawansowane metody ML - ensemble methods: stacking vs. voting
• kompleksowy pipeline ML - od przygotowania danych, poprzez inżynierię cech, trening modeli, walidację, aż do wdrożenia i prezentacji wyników
• wykorzystanie metod uczenia nadzorowanego do oceny wpływu działalności człowieka na środowisko naturalne, przykłady: (a) regresja - szacowanie indywidualnego śladu węglowego (Carbon Emission) na podstawie cech stylu życia, wraz z określeniem czynników mających największy wpływ na emisję gazów cieplarnianych, (b) klasyfikacja - identyfikacja osób / regionów o wysokim poziomie emisji, wraz ze wskazaniem grup społecznych wymagających szczególnej uwagi w ramach działań proekologicznych

Machine Learning - uczenie nienadzorowane

• klasteryzacja - algorytm k-means
• redukcja wymiarowości - analiza PCA
• efektywne zarządzanie danymi - optymalizacja przygotowania i przetwarzania zbiorów danych
• wykorzystanie metod uczenia nienadzorowanego do oceny wpływu działalności człowieka na środowisko naturalne, przykłady: (a) segmentacji populacji (np. algorytm k-means) ze względu na wzorce konsumpcji energii, wraz ze wskazaniem grup charakteryzujących się niską / wysoką emisyjnością, (b) wizualizacje (np. PCA) w celu identyfikacji powiązań między zachowaniami, a wpływem środowiskowym

Deap Learning - sieci neuronowe

• podstawy MLP - budowa i trenowanie modeli, przykład MNIST
• konwolucyjne sieci neuronowe (CNN) - architektura, warstwy konwolucyjne, pooling, case study z CIFAR-10
• zaawansowane CNN - transfer learning, techniki regularyzacji oraz fine-tuning pretrenowanych modeli
• praktyczne zastosowanie modeli AI i deep learning (np. w celu predykcji zmian klimatycznych) oraz dostosowanie modeli pod kątem efektywności energetycznej

| Walidacja efektów kształcenia oraz egzamin

• po zakończeniu kursu zostanie przeprowadzony egzamin potwierdzający nabycie kwalifikacji (certyfikat Data Science DSP). Uczestnicy szkolenia otrzymują imienne certyfikaty potwierdzające nabycie kwalifikacji sygnowane przez Codebrainers

Podczas ćwiczeń praktycznych wykorzystywane są zarówno dane biznesowe, jak również dane z sektorów zielonej gospodarki / dot. ochrony środowiska, takie jak m.in. dane Global Energy Observatory, KTH Royal Institute of Technology (Stockholm), data.gov, Natural Resources Canada, Better Life Index (OECD, IMF), a także syntetycznie wygenerowane zbiory danych takie jak Individual Carbon Footprint oraz Energy Consumption Dataset.

Ćwiczenia przygotowane zostały w taki sposób, aby nie tylko nauczyć umiejętności technicznych, ale też powiązać je z realnymi problemami i wskazać, w jaki sposób różne czynniki / działania mogą wpływać na środowisko w dłuższej perspektywie (np. szacowanie carbon emisison na podst. cech stylu życia, identyfikacja powiązań między zachowania, a wpływem środ. itd.)

Zbiory danych dot. m.in. rzeczywistych wzorców zużycia energii w budynkach mieszkalnych, komercyjnych i przemysłowych, minimalnych temperatur dziennych (np. budowanie modelu predykcyjnego dot. temperatur, dzienne opady, predykcja opadów na dany dzień), temperatur powietrza od 1750 roku (predykcja ocieplenia klimatu), wskaźniki jakości życia w różnych krajach (z uwzględnieniem m.in. oczekiwanej długości życia, aspektów środowiskowych), zbiory danych dot. sprzedaż samochodów EV, czy też emisji zanieczyszczeń poch. z różnych pojazdów: predykcja emisji CO2 na podstawie parametrów samochodu itd.

--

Kurs uczy zaawansowanych technik analizy danych z wykorzystaniem modeli opartych na sztucznej inteligencji, które to modele są z powodzeniem wykorzystywane m.in. w celu predykcji zmian klimatycznych, optymalizacji procesów i redukcji zużycia zasobów. Big data wspiera optymalizację zużycia energii w budynkach i infrastrukturze oraz śledzenie emisji i odpadów, umożliwia automatyzację i personalizację, wspiera rozwój energii odnawialnej i monitorowanie zużycia wody, energii i pozostałych zasobów.

Dzięki przekazywaniu umiejętności ogólnych niezbędnych do pracy w sektorze zielonej gospodarki, szkolenie przyczynia się również do tworzenia tzw. “zielonych miejsc pracy” zarówno w sektorach zielonej gospodarki, jak również w sektorach tradycyjnych.

Zdobyta wiedza może być wykorzystana m.in. w celu realizacji inwestycji opisanych m.in. w Rozp. nr 2021/1056 PEiR(UE) ustanawiającym FST, m.in. w przypadku wdrażania tech. oraz systemów i infrastr. zapewniającej czystą energię, redukcję emisji gazów cieplarnianych, inwestycji w energ. odnawialną i w efekt. energ., inteligentną i zrównoważoną mobilność lokalną, poprawę efekt. energ., cyfryzację i łączność cyfrową.

--

W harm., w poz. dot. walidacji, podano walidatora, niemniej egzamin nadzorowany jest przez prowadzącego zajęcia (osoba ta nie ingeruje w jego wypełniania) - zgodnie z FAQ BUR - pytanie #12204.

W ramach szkolenia uczestnik otrzymuje:

• dostęp do materiałów oraz ćwiczeń podsumowujących zdobytą wiedzę (materiały on-line formie pdf,html, jupyter notebook)
• dostęp do materiałów z zakresu zielonej gospodarki (min. charakterystyka poglądów dotyczących zrównoważonego rozwoju, zasady środowiskowe 6R, zastosowanie języka Python w zielonej gospodarce)
• zbiory danych wykorzystywane podczas ćwiczeń
• bezpłatną licencję edukacyjną na wybrane IDE Jetbrains - dla chętnych osób
• dostęp do kanałów Slack dedykowanych szkoleniu
• dostęp do nagrań z odbytych zajęć

• zaleca się, aby Uczestnicy posiadali wiedzę z zakresu programowania w języku Python
• w szkoleniu mogą wziąć udział zarówno osoby, które myślą o przyszłej pracy w roli data scientist, jak również kadra kierownicza i pracownicy sektora zielonej gospodarki, czy właściciele firm, dla których dostęp do analiz jest kluczem do podejmowania trafnych decyzji w bieżącej działalności
• w przypadku korzystania z dofinansowania, warunkiem uczestnictwa jest zapisanie się przez BUR wraz z podaniem aktualnego ID wsparcia

• zakres zg. z RSI Woj. Śl. 2030: Techn. Inf. i kom., (i) techn. szt. int. i uczenia masz., (ii) techn. data mining, (iii) techn. zaaw. baz danych i hurtowni danych oraz z RSI Woj. Mał.. Met. i urz. służące do poz. dan.
• zapisanie się w BUR nie jest jednoznaczne z zarezerwowaniem miejsca. W celu potwierdzenia miejsca prosimy o dodatkowy kontakt telefoniczny, mailowy, lub za pośrednictwem messengera albo www
• zawarto umowę z WUP w Krakowie w ramach projektu Małopolski Pociąg do Kariery
• zawarto umowę z WUP w Toruniu w ramach projektu Kierunek Rozwój
• zawarto umowę z WUP w Szczecinie w ramach projektu Zachodniopomorskie Bony Szkoleniowe
• usługi dedykowane również uczestnikom innych programów dofinansowań
• zdobyte kompetencje dotyczą cyfrowej transformacji
• podstawa zwolnienia z VAT: Dz.U.2013.1722, art. 3, ust. 1, pkt. 14 - usł. kszt. zaw. lub przekw. zaw., fin. w co najmniej 70% ze środków publ. - podstawa zwolnienia jest każdorazowo weryfikowana w stosunku do danego Uczestnika

• zajęcia prowadzone są w czasie rzeczywistym na platformie Zoom, wraz z dostępem do kanałów grupowych na platformie Slack
• Minimalne wymagania sprzętowe: komputer / laptop / lub inne urządzenie ze stałym dostępem do internetu, wyposażone w kamerę internetową
• Minimalne wymagania dotyczące parametrów łącza sieciowego: szybkość pobierania / przesyłania: minimalna 2 Mb/s / 128 kb/s, zalecana: 4 Mb/s / 512 kb/s
• Niezbędne oprogramowanie umożliwiające dostęp do zajęć oraz materiałów: przeglądarka internetowa, Zoom w wersji bezpłatnej dla użytkownika
• Uczestnicy otrzymują linki do spotkań przed każdymi zajęciami. Link umożliwiający uczestnictwo w kursie jest aktywny w godzinach wskazanych na karcie usługi