Wprowadzenie do uczenia maszynowego

• Definicja i zastosowania ML
• Typy uczenia maszynowego: nadzorowane, nienadzorowane, wzmacniające
• Przykłady realnych zastosowań ML w biznesie i nauce

Przygotowanie danych

• Typy danych i formaty danych
• Wstępna analiza danych
• Czyszczenie danych: brakujące wartości, outliery, normalizacja i standaryzacja

Podstawy statystyki i matematyki w ML

• Średnia, mediana, wariancja, odchylenie standardowe
• Korelacja i współczynnik korelacji Pearsona
• Podstawy macierzy i wektorów (algebra liniowa w ML)
• Wprowadzenie do funkcji kosztu

Uczenie nadzorowane – regresja

• Regresja liniowa i wieloraka
• Ocena jakości modelu: MSE, RMSE, R²
• Overfitting i underfitting

Uczenie nadzorowane – klasyfikacja

• Klasyfikacja binarna i wieloklasowa
• Algorytmy: KNN, regresja logistyczna, drzewa decyzyjne
• Miary oceny modelu: accuracy, precision, recall, F1-score, macierz konfuzji

Uczenie nienadzorowane

• Klasteryzacja: K-means, hierarchiczne grupowanie
• Redukcja wymiarowości: PCA
• Zastosowania nienadzorowanego ML

Wprowadzenie do sieci neuronowych

• Czym są sieci neuronowe
• Podstawy perceptronu i funkcji aktywacji
• Prosty przykład sieci neuronowej w Python (np. klasyfikacja cyfr MNIST)

Pipeline ML i wdrożenie modelu

• Podział danych na zbiór treningowy i testowy
• Feature engineering
• Tworzenie pipeline’u w scikit-learn
• Zapis i odczyt modelu (pickle, joblib)

Etyka i bezpieczeństwo w ML

• Bias i fairness w modelach ML
• Przykłady błędów i pułapek w ML
• Wprowadzenie do regulacji prawnych i bezpieczeństwa danych

Ćwiczenia praktyczne