Warsztat dla osób, które rozpoczynają swoją przygodę ze sztuczną inteligencją (AI). Zostaną Państwo wprowadzeni w nowoczesne techniki uczenia maszynowego od podstaw. Uczenie maszynowe wykorzystywane jest obecnie w wielu firmach z różnych sektorów gospodarki, a liczba zastosowań oraz popyt na usługi z nim związane wciąż rośnie. Ten innowacyjny obszar ma zastosowanie w bardzo wielu dziedzinach: biznesie, nauce, marketingu, informatyce. Na co dzień możemy zaobserwować wiele przykładów działania uczenia maszynowego: autokorekta w klawiaturze, filtrowanie spamu, analiza sekwencji genów, przewidywanie sprzedaży, badania rynkowe, grupowanie klientów sklepów, wirtualny asystent na stronach internetowych. Szkolenie ma swoją kontynuację w kursie dotyczącym uczenia głębokiego w R i ma charakter prowadzonego na żywo warsztatu ze sprawdzaniem postępów uczestników i możliwością zadawania pytań. Uczestnicy po zakończeniu warsztatu otrzymają pocztą elektroniczną certyfikat potwierdzający ukończenie kursu.

Terminy: 2 i 4 kwietnia 2025, 11:00-16:00 (2-dniowe warsztaty online)

Liczba godzin: 10 (5 godzin każdego dnia z przerwą kawową).

Lokalizacja: warsztaty zdalne.

Grupa: maksymalnie 10 osób.

Wykładowca: Prof. UAM dr hab. Tomasz Górecki.

Cena: 1899 zł netto (2335,77 zł brutto). Pracownikom finansowanym przez instytucje naukowe (lub inne jednostki finansowane ze środków publicznych) przysługuje zwolnienie z VAT.

Metody płatności: przelew na konto. 

Zagadnienia:

• Wprowadzenie do biblioteki tidyverse – przygotowanie danych
• Wprowadzenie do biblioteki ggplot2 – wizualizacja danych
• Imputacja danych
• Wykrywanie obserwacji odstających
• Kodowanie danych jakościowych
• Regresja liniowa i wielokrotna
• Współliniowość zmiennych, regresja nieliniowa i logistyczna
• Redukcja wymiaru danych: metoda PCA i jądrowa PCA, metody t-SNE oraz UMAP, skalowanie wielowymiarowe, analiza korespondencji
• Analiza skupień: metody hierarchiczne i niehierarchiczne (metoda k-średnich, PAM), metoda DBSCAN
• Klasyfikacja: metoda najbliższych sąsiadów, SVM, sieci neuronowe, drzewa decyzyjne, lasy losowe

Cele kształcenia

Po kursie uczestnik będzie:

1. Potrafić pracować z językiem R, umożliwiającym samodzielną analizę danych oraz rozwój w dziedzinie uczenia maszynowego.
2. Znać bibliotekę tidyverse, co pozwoli na:
   1. Efektywne przygotowanie danych do analizy,
   2. Wczytywanie, transformację i oczyszczanie danych.
3. Umieć wykorzystywać bibliotekę ggplot2 do tworzenia zaawansowanych wizualizacji danych, wspierających zrozumienie i prezentację wyników.
4. Potrafić radzić sobie z brakami w danych za pomocą technik imputacji oraz wykrywać i interpretować obserwacje odstające (anomalie).
5. Znać metody kodowania danych jakościowych, co umożliwi ich zastosowanie w zaawansowanych analizach i modelach uczenia maszynowego.
6. Umieć przeprowadzać analizy zależności, takie jak:
   1. Regresja liniowa,
   2. Regresja wielokrotna,
   3. Regresja nieliniowa,
   4. Regresja logistyczna.
7. Potrafić uwzględnić problemy współliniowości zmiennych.
8. Umieć i potrafić zastosować zaawansowane metody redukcji wymiaru danych, w tym:
   1. PCA (analiza składowych głównych),
   2. Jądrowa PCA,
   3. t-SNE,
   4. UMAP,
   5. Skalowanie wielowymiarowe,
   6. Analiza korespondencji.
9. Potrafić przeprowadzać analizy skupień, w tym hierarchiczne i niehierarchiczne metody, takie jak
   1. Metoda k-średnich,
   2. PAM (Partitioning Around Medoids),
   3. DBSCAN.
10. Znać i potrafić stosować techniki klasyfikacji danych, takie jak:
    1. Metoda najbliższych sąsiadów (k-NN),
    2. Metoda wektorów nośnych (SVM),
    3. Sieci neuronowe,
    4. Drzewa decyzyjne,
    5. Lasy losowe.
11. Umieć budować i oceniać modele predykcyjne oraz stosować je w praktycznych zastosowaniach.
12. Posiadać umiejętność samodzielnego:
    1. Przeprowadzania kompleksowych analiz danych,
    2. Tworzenia zaawansowanych wizualizacji,
    3. Budowania i wdrażania modeli uczenia maszynowego wspierających podejmowanie decyzji biznesowych i naukowych.

Prof. UAM dr hab. Tomasz Górecki

Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu, prodziekan ds. grantów i współpracy z gospodarką na Wydziale Matematyki i Informatyki UAM. Naukowo zajmuje się analizą szeregów czasowych, analizą danych funkcjonalnych oraz sztuczną inteligencją. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od ponad dwudziestu lat prowadzi zajęcia związane z rachunkiem prawdopodobieństwa, statystyką, uczeniem maszynowym i sztuczną inteligencją. Współpracuje z wieloma firmami na polu uczenia maszynowego i sztucznej inteligencji (Lidl, OLX, PWN, Samsung, Smartstock). Od wielu lat posługuje się językami Python oraz R, jest m.in. współautorem pakietów w R oraz autorem książki „Podstawy statystyki z przykładami w R”. Współpracuje m.in. z pracownikami Colorado State University, University of Utah, Politechniki Poznańskiej, Uniwersytetu Ekonomicznego w Poznaniu oraz Uniwersytetu Przyrodniczego w Poznaniu.