Przygotowanie danych i feature engineering w ML

Praktyczne szkolenie z przygotowania danych do machine learning obejmujące poprawę jakości danych, inżynierię cech oraz techniki przetwarzania danych zwiększające skuteczność modeli w rzeczywistych projektach analitycznych. Szkolenie może być realizowane w formie otwartej lub zamkniętej w siedzibie Klienta na terenie całej Polski.

Czas trwania: 3 dni / 21 h

Machine Learning – szkolenia z uczenia maszynowego i sztucznej inteligencji dla firm

Wybierz formę szkolenia

Szkolenie dedykowane

Dla Twojego zespołu

Wycena indywidualna


  • Program dopasowany do potrzeb uczestników
  • Stacjonarnie lub zdalnie
  • Termin ustalany elastycznie
Poproś o wycenę
Szkolenie otwarte

Zdalnie, w grupie

3 000 zł netto / osobę


  • Terminy: sprawdź w zakładce Szkolenia otwarte
  • 3 dni / 21 h, online na żywo
  • Materiały i certyfikat w cenie
Zapisz się

Cena szkolenia zamkniętego zależy od liczby uczestników, formy, poziomu zaawansowania i zakresu dopasowania programu.

Szkolenia otwarte realizujemy wyłącznie w formie zdalnej, w momencie zebrania się grupy.

Opis

Czyszczenie danych

  • Identyfikacja błędów
  • Usuwanie duplikatów
  • Poprawa jakości danych

Brakujące wartości

  • Identyfikacja braków
  • Uzupełnianie danych
  • Strategie imputacji

Kodowanie i skalowanie

  • Kodowanie zmiennych kategorycznych
  • Standaryzacja i normalizacja
  • Przygotowanie danych do modeli

Selekcja cech

  • Wybór istotnych zmiennych
  • Redukcja wymiarowości
  • Wpływ cech na model

Tworzenie cech

  • Feature engineering
  • Transformacje danych
  • Tworzenie nowych zmiennych

Pipeline danych

  • Budowa pipeline
  • Automatyzacja przetwarzania
  • Reużywalność procesów

 

FAQ – Przygotowanie danych i feature engineering w machine learning

1. Czym jest feature engineering i dlaczego jest ważny?

Feature engineering to proces tworzenia i przekształcania danych wejściowych, który znacząco wpływa na skuteczność modeli machine learning. Szkolenie pokazuje, jak poprawiać jakość danych i zwiększać trafność predykcji.

2. Jak radzić sobie z brakującymi danymi?

Program obejmuje metody obsługi brakujących wartości, takie jak imputacja czy usuwanie danych. Uczestnicy uczą się dobierać odpowiednie podejścia w zależności od kontekstu analizy.

3. Na czym polega kodowanie i skalowanie danych?

Szkolenie obejmuje kodowanie zmiennych kategorycznych oraz skalowanie danych liczbowych. Uczestnicy uczą się przygotowywać dane do pracy z modelami ML.

4. Jak selekcjonować i tworzyć nowe cechy?

Program obejmuje selekcję najważniejszych cech oraz tworzenie nowych zmiennych na podstawie danych. Uczestnicy uczą się zwiększać jakość modeli poprzez lepsze przygotowanie danych.

5. Czym jest pipeline danych w machine learning?

Pipeline danych to uporządkowany proces przetwarzania danych przed trenowaniem modelu. Szkolenie pokazuje, jak automatyzować przygotowanie danych i budować powtarzalne procesy analityczne.

ZOBACZ NASZE INNE SZKOLENIA

Zapytaj
o szkolenie

Nie widzisz szkolenia, którego szukasz?

Żadna tematyka nas nie ogranicza – jesteśmy otwarci i stworzymy szkolenie idealnie dopasowane do Twoich potrzeb.

Przykładowe szkolenia: Cisco, Analiza biznesowa, BPMN, UML, PowerBi, Elasticsearch, Sztuczna inteligencja, Python, C++, C#, Selenium, Jenkins, Szkolenia miękkie, UX, Social Media i Marketing, Sprzedaż, Zarządzanie projektami, Design Thinking, Linux, Embedded, Postman, Ms Excel, Adobe, Docker, Kubernetes, Terraform, Azure, SAP, UiPath, Machine Learning.