Szkolenie Uczenie maszynowe (Machine Learning) w Pythonie - TERMIN GWARANTOWANY - 23.11.2026

W skrócie

Raporty pokazują, co już się wydarzyło, a najważniejsze decyzje dotyczą tego, co wydarzy się jutro: ile sprzedasz, który klient odejdzie, która transakcja jest oszustwem. Na tym szkoleniu budujesz w Pythonie modele, które na podstawie historii przewidują liczby i kategorie oraz wskazują podejrzane przypadki, a ich trafność sprawdzasz i wyjaśniasz. Przechodzisz od prostych modeli, przez drzewa decyzyjne i metody łączące wiele drzew, po projekt zespołowy od danych do prezentacji wyników.

Co potrafisz po szkoleniu

• Dobierasz metodę do problemu - Rozpoznajesz, czy zadanie to regresja, czyli przewidywanie liczby (np. wartości sprzedaży), klasyfikacja, czyli przypisanie kategorii (np. klient odejdzie albo zostanie), czy klasteryzacja, czyli grupowanie podobnych rekordów (np. klientów o zbliżonych zachowaniach). Wiesz, czym uczenie maszynowe różni się od klasycznej statystyki, i rozpoznajesz przeuczenie, gdy model dobrze zna dane, na których się uczył, a słabo radzi sobie z nowymi, oraz niedouczenie, gdy jest zbyt prosty, by uchwycić zależności.
• Przewidujesz wartości liczbowe - Budujesz modele regresji, od jednej zmiennej po wiele jednocześnie, i przygotowujesz pod nie dane: uzupełniasz braki, sprowadzasz cechy do porównywalnej skali i zamieniasz kategorie, np. region czy typ produktu, na postać zrozumiałą dla modelu.
• Sprawdzasz, ile model jest wart - Testujesz go na danych, których nie widział podczas uczenia. Przy prognozach liczbowych mierzysz, o ile średnio się myli (RMSE, MAE) i jaką część zmienności wyjaśnia (R²). Przy kategoriach czytasz macierz pomyłek, czyli zestawienie trafień i pomyłek, oraz miary accuracy, precision i recall: ogólną trafność, odsetek trafnych alarmów i odsetek wychwyconych przypadków.
• Przewidujesz kategorie - Regresją logistyczną i drzewami decyzyjnymi przypisujesz rekordy do jednej z dwóch klas, np. transakcja uczciwa albo podejrzana. Czytasz drzewo decyzyjne jak zestaw reguł "jeśli... to..." i ograniczasz przeuczenie, kontrolując głębokość drzewa i przycinając jego zbędne gałęzie (pruning).
• Stosujesz Random Forest i XGBoost - Random Forest łączy odpowiedzi wielu drzew w jedną, stabilniejszą prognozę, a XGBoost buduje drzewa po kolei, tak że każde następne poprawia błędy poprzednich. Ustawiasz ich parametry, m.in. liczbę i głębokość drzew, tempo uczenia (learning rate) i regularyzację, czyli hamulec chroniący przed przeuczeniem, a najlepsze ustawienia wyszukujesz automatycznie metodą grid search, która sprawdza kolejne kombinacje parametrów. Wiesz, kiedy wybrać którą metodę.
• Wyjaśniasz, co decyduje o wyniku - Czytasz współczynniki modeli regresji i ranking ważności cech (feature importance), dzięki czemu pokazujesz, które czynniki najmocniej wpływają na prognozę, i potrafisz uzasadnić wynik modelu przed osobami, które na jego podstawie podejmą decyzję.
• Poznajesz rekomendacje, wykrywanie oszustw i grupowanie danych - Rozumiesz zasadę działania rekomendacji znanych z YouTube, Netflixa i Spotify, wykrywania oszustw w transakcjach (fraud detection) oraz automatycznego grupowania danych w kategorie metodą klasteryzacji.
• Realizujesz projekt od danych do prezentacji - W małym zespole, pod opieką prowadzącego, przechodzisz cały proces: od pozyskania danych, przez budowę i ocenę modelu, po czytelną prezentację wyników.

Jak pracujemy

Każdą metodę poznajesz od intuicji do zastosowania, dzięki czemu wiesz, kiedy wystarczy prosty model liniowy, a kiedy lepiej sięgnąć po drzewa decyzyjne, Random Forest albo XGBoost. Pracujesz w Pythonie z bibliotekami scikit-learn (gotowe algorytmy uczenia maszynowego), pandas (praca z tabelami danych) i NumPy (obliczenia na liczbach), a XGBoost instalujesz i obsługujesz przez jego podstawowe funkcje. Wiedzę z kolejnych bloków łączysz na koniec w projekcie zespołowym. Prowadzi Mateusz Zimoch, inżynier zajmujący się data science i sztuczną inteligencją, założyciel startupów rozwijających wizję komputerową i autonomiczne pojazdy.

Dla kogo

Dla analityków danych i programistów Pythona, którzy chcą budować modele przewidujące wyniki, oraz dla specjalistów pracujących z danymi biznesowymi, którzy chcą przejść od raportowania tego, co było, do prognozowania tego, co będzie. Wymagania wstępne: podstawowa znajomość Pythona, najlepiej także biblioteki pandas; wcześniejsze doświadczenie z uczeniem maszynowym nie jest potrzebne.

Co zyskujesz

Umiejętność samodzielnego poprowadzenia projektu uczenia maszynowego: od przygotowania danych, przez wybór, dostrojenie i sprawdzenie modelu, po czytelną prezentację wyników. Termin gwarantowany odbywa się na pewno, nie odwołamy go z powodu małej grupy. Otrzymujesz też imienny certyfikat ukończenia szkolenia.

Zarezerwuj miejsce i buduj w Pythonie modele, które przewidują wyniki na podstawie Twoich danych, a ich trafność umiesz sprawdzić i wyjaśnić.

Sprawdź, czy w Twoim przypadku dostępne jest finansowanie szkolenia ze środków BUR/KFS. Dostępność finansowania zależy od warunków danego programu oraz decyzji właściwej instytucji. Więcej informacji: https://jsystems.pl/dofinansowanie/

Prowadzący szkolenie

Mateusz Zimoch

Program szkolenia

Przeczytaj na naszym blogu