Analiza Danych, ML i AI w Pythonie

Lp.

Temat zajęć edukacyjnych

Liczba godzin zajęć teoretycznych

Liczba godzin zajęć praktycznych

1

Środowisko pracy analityka — Anaconda — Manager pakietów Conda — Manager pip — Tworzenie wirtualnego środowiska — Jupyter notebook — Markdown — Elementy notacji Latex

4

4

2

Przetwarzanie danych — Wstęp do NumPy — Tworzenie wektorów i macierzy — Przekształcenia, operacje w NumPy — * Wybieranie — * Wektoryzacja — * Broadcasting — Elementy arytmetyki i algebry przy użyciu NumPy — * Rozwiązywanie równań liniowych — Wstęp do Pandas — Serie i ramki danych — Pozyskiwanie danych z różnych źródeł — * Pliki — * Zasoby w internecie — * Bazy danych — Przygotowywanie i czyszczenie danych - Operacje i przekształcenia DataFrame — Usuwanie kolumn i wierszy — Zmiana wymiarów - reshaping — Pivoting — Rangowanie i sortowanie danych — Łączenie ramek (concatenate, merge, join)

4

4

3

Analiza danych — Wizualizacje — * Wprowadzenie do matplotlib — generowanie wykresów z poziomu pandas — seaborn i inne narzędzia do wizualizacji danych w Pythonie — Podstawy analizy statystycznej — Wnioskowanie statystyczne

Wstęp do uczenia maszynowego

4

4

4

Przegląd metod i algorytmów uczenia maszynowego — Podział metod uczenia maszynowego — Uczenie nadzorowane — Uczenie nienadzorowane

4

4

5

Proces uczenia maszynowego — Eksploracja danych — Jak dobrać najlepszy model do zadania — Przygotowanie danych — Zbiór uczący — Zbiór testowy — Szkolenie modelu — Walidacja modelu — Przeuczenie modelu — Techniki redukcji wymiarowości danych

4

4

6

Omówienie metod uczenia maszynowego — Regresja — Regresja liniowa — Regresja wielomianowa — Regresja logistyczna — Klasyfikacja — Grupowanie danych — Redukcja wymiarów — Sztuczne Sieci Neuronowe

4

4

7

Łączenie klasyfikatorów

Wizualizowanie wyników

4

4

8

Przegląd narzędzi do uczenia głębokiego — TensorFlow — PyTorch — Keras — Hugging Face — JAX — identyfikacja różnic pomiędzy narzędziami — dobór odpowiedniego narzędzia w zależności od projektu

4

4

9

Wprowadzenie do sieci neuronowych — budowa neuronu — funkcje komponentów neuronu — mechanizmy przetwarzania informacji — jak uczy się sieć neuronowa — algorytmy uczenia z nadzorem — algorytmy uczenia bez nadzoru — funkcje aktywacyjne — funkcje błędu — typy sieci neuronowych — perceptory — MLP - perceptory wielowarstwowe — sieci konwolucyjne (CNN) — rekurencyjne sieci neuronowe (RNN) — zastosowania sieci neuronowych w różnych dziedzinach

4

4

10

JAX — architektura JAX — unikalne cechy JAX — przejście z NumPy do JAX — wykorzystanie kompilacji JIT przez JAX — przetwarzanie równoległe — przyspieszenie działania modeli — zwiększanie wydajności modeli

4

4

11

Keras — wprowadzenie - architektura Keras — udostępniane API — szkolenie modeli — budowa modeli w Keras — komplikowanie modeli — trenowanie modeli uczenia głębokiego — techniki optymalizacji — zestawy danych — wnioskowanie i przewidywanie — wykorzystanie wytrenowanych modeli do predykcji — podejmowanie decyzji na podstawie nowych danych

4

4

12

Sieci neuronowe - zastosowania i przykłady — Sztuczne sieci neuronowe (ANN) — zastosowania w zadaniach klasyfikacji i regresji — Konwolucyjne sieci neuronowe (CNN) — rozpoznawanie obrazów — przetwarzanie obrazu — analiza obrazów — Rekurencyjne sieci neuronowe (RNN, LSTM) — predykcja szeregów czasowych — inne zagadnienia analityczne — Hugging Face — platforma open-source dla modeli uczenia maszynowego — strojenie modeli dopasowanych do potrzeb użytkownika — Porównanie różnych środowisk (np. PyTorch, Tensorflow)

-WALIDACJA

4

4

OGÓŁEM LICZBA GODZIN NAUCZANIA

48

48