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;

--

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
• walidacja dowodów i deklaracji odbywa się poprzez analizę projektów przygotowanych przez uczestników w Jupyter Notebook. Uczestnicy wgrywają je do systemu najpóźniej ostatniego dnia kursu, a sama ocena walidatora przebiega bez kontaktu z autorem, poza ramami czasowymi zajęć.

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.

--

• 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

--

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 l

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