Uwaga! Braki w danych… w uczeniu maszynowym

➡️ Czego się nauczysz?

W trakcie spotkania poruszymy następujące zagadnienia:

– Jakie są typy braków i jakie to ma znaczenie praktyczne?

– Czy algorytmy uczenia maszynowego mogą działać na danych z brakami?

– Czym jest imputacja braków danych i jakie są przykładowe techniki?

– Jaka jest profesjonalna metodologia wykonywania imputacji?

– Jak wygląda imputacja od strony inżynierskiej w bibliotece scikit-learn?

➡️ Informacje o prowadzącym:

Norbert Ryciak

Data scientist, inżynier uczenia maszynowego. Obecnie pracuje w firmie Sotrender, gdzie rozwija i wdraża algorytmy uczenia maszynowego do różnych zastosowań w ekosystemie mediów społecznościowych. W swojej pracy bierze udział we wszystkich etapach projektów data science – począwszy od prac badawczych, poprzez rozwijanie powstających produktów opartych na uczeniu maszynowym, aż do produkcyjnego wdrożenia. Najczęściej wykorzystuje i specjalizuje się w głębokim uczeniu maszynowym (deep learning), które w swojej karierze stosował m.in. w projektach z obszaru przetwarzania języka naturalnego (NLP). Oprócz pracy merytorycznej podejmuje również wiele działań dydaktycznych w tematyce data science: prowadzi szkolenia komercyjne, zajęcia na uczelniach, jest autorem kursu „Uczenie Maszynowe Masterclass” oraz opiekunem merytorycznym kursu „Data Science Pro” i „Data Science Pro” oraz „Inżynier AI & ML” firmy Sages, na którym kształci przyszłych specjalistów data science.

➡️ Uwagi nt. uzyskania certyfikatu

Certyfikaty nie są wystawiane za zakup nagrania z webinaru.