BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//GigaCon - konferencje branży IT - ECPv4.6.22.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:GigaCon - konferencje branży IT
X-ORIGINAL-URL:https://oldsite.gigacon.org
X-WR-CALDESC:Events for GigaCon - konferencje branży IT
BEGIN:VEVENT
DTSTART;VALUE=DATE:20200220
DTEND;VALUE=DATE:20200222
DTSTAMP:20260419T084242
CREATED:20190524T110059Z
LAST-MODIFIED:20200128T131453Z
UID:17299-1582156800-1582329599@oldsite.gigacon.org
SUMMARY:Machine learning w Pythonie – praktyczne szkolenie
DESCRIPTION:[vc_row type=”full_width_background” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” class=”anchor_menu” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text]\nNa skróty:\n\nO szkoleniu\nAgenda\nKontakt\nProwadzący\nREJESTRACJA\n\n\n\n\n\n\n\n\n\nFormularz rejestracji: Machine Learning w Pythonie - praktyczne szkolenie\nWyślij formularz rejestracji -->> dostaniesz potwierdzenie zapisu na szkolenie. Każde potwierdzenie wysyłamy ręcznie 🙂 \nStandardowo otrzymasz fakturę proforma.\nWysłanie formularza rejestracji zobowiązuje do zapłaty oraz uczestniczenia w szkoleniu.\nProcedura rezygnacji/odwołania jest opisana w Regulaminie \nCzęść pól jest wymagane \n\nAdres email (wymagane)\n\n      \n* wpisz adres e-mail uczestnika szkolenia\, jeśli chcesz zgłosić kilku uczestników\, napisz na szkolenia@gigacon.org \n\nImię (wymagane)\n\n      \n\nNazwisko (wymagane)\n\n      \n\nTelefon (wymagane)\n\n      \nDane do faktury: \n\nNazwa firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nNIP firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nMiejscowość (wymagane)\n\n      \n\nKod pocztowy (wymagane)\n\n      \n\nUlica (wymagane)\n\n      \n--------------------- \n\nZamawiam (wymagane)\n\nMachine Learning w Pythonie - praktyczne szkolenie - cena 2399 PLN +23% VAT \n\nTermin szkolenia (wymagane)\n\n20-21 lutego 2020r.\, Warszawa \n\nSkąd wiesz o szkoleniu?\n\n \n\nUwagi/pytania/dodatkowe informacje\n\n \n\nOświadczam\, że zapoznałem się z polityką prywatności i regulaminem\, i ją akceptuję.\n\nTak \nSzanujemy Państwa prywatność. Jeżeli z jakichkolwiek względów nie są Państwo w stanie zaakceptować warunków regulaminu udziału w szkoleniu\, a chcieliby Państwo w nim uczestniczyć prosimy o kontakt mailowy: szkolenia@gigacon.org \n \nWszystkie rejestracje potwierdzamy ręcznie.\nJeśli masz pytania lub masz wątpliwość czy Twoje zgłoszenie zostało zarejestrowane\, napisz: szkolenia@gigacon.org \n\n	\n		var iFrame_formularz = jQuery("#form-lightbox-formularz iframe").attr("src");\n		jQuery(document).ready(function() {jQuery(".fl_box-formularz").colorbox({\n				inline : true\,\n				href :"#form-lightbox-formularz"\, \n				transition : "1"\,speed : 350\,scrolling : true\,opacity : 0.85\,returnFocus : true\,fastIframe : true\,closeBtn : true\,escKey : true\,\n				onClosed : function(){ jQuery("#form-lightbox-formularz iframe").attr("src"\, iFrame_formularz); } \n			});\n	});\n	\n\n[/vc_column_text][vc_column_text]\nZamawiam szkolenie →\n\n\n\n\n\n\n\n\n\nFormularz rejestracji: Machine Learning w Pythonie - praktyczne szkolenie\nWyślij formularz rejestracji -->> dostaniesz potwierdzenie zapisu na szkolenie. Każde potwierdzenie wysyłamy ręcznie 🙂 \nStandardowo otrzymasz fakturę proforma.\nWysłanie formularza rejestracji zobowiązuje do zapłaty oraz uczestniczenia w szkoleniu.\nProcedura rezygnacji/odwołania jest opisana w Regulaminie \nCzęść pól jest wymagane \n\nAdres email (wymagane)\n\n      \n* wpisz adres e-mail uczestnika szkolenia\, jeśli chcesz zgłosić kilku uczestników\, napisz na szkolenia@gigacon.org \n\nImię (wymagane)\n\n      \n\nNazwisko (wymagane)\n\n      \n\nTelefon (wymagane)\n\n      \nDane do faktury: \n\nNazwa firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nNIP firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nMiejscowość (wymagane)\n\n      \n\nKod pocztowy (wymagane)\n\n      \n\nUlica (wymagane)\n\n      \n--------------------- \n\nZamawiam (wymagane)\n\nMachine Learning w Pythonie - praktyczne szkolenie - cena 2399 PLN +23% VAT \n\nTermin szkolenia (wymagane)\n\n20-21 lutego 2020r.\, Warszawa \n\nSkąd wiesz o szkoleniu?\n\n \n\nUwagi/pytania/dodatkowe informacje\n\n \n\nOświadczam\, że zapoznałem się z polityką prywatności i regulaminem\, i ją akceptuję.\n\nTak \nSzanujemy Państwa prywatność. Jeżeli z jakichkolwiek względów nie są Państwo w stanie zaakceptować warunków regulaminu udziału w szkoleniu\, a chcieliby Państwo w nim uczestniczyć prosimy o kontakt mailowy: szkolenia@gigacon.org \n \nWszystkie rejestracje potwierdzamy ręcznie.\nJeśli masz pytania lub masz wątpliwość czy Twoje zgłoszenie zostało zarejestrowane\, napisz: szkolenia@gigacon.org \n\n	\n		var iFrame_formularz = jQuery("#form-lightbox-formularz iframe").attr("src");\n		jQuery(document).ready(function() {jQuery(".fl_box-formularz").colorbox({\n				inline : true\,\n				href :"#form-lightbox-formularz"\, \n				transition : "1"\,speed : 350\,scrolling : true\,opacity : 0.85\,returnFocus : true\,fastIframe : true\,closeBtn : true\,escKey : true\,\n				onClosed : function(){ jQuery("#form-lightbox-formularz iframe").attr("src"\, iFrame_formularz); } \n			});\n	});\n	 \n[/vc_column_text][/vc_column][/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text]\nCel szkolenia: \nCelem szkolenia jest zapoznanie uczestników z Machine Learning\, głównie z jego możliwościami\, praktycznym zastosowaniem i ograniczeniami. \n[/vc_column_text][/vc_column][/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/6″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][/vc_column][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”2/3″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text]\nO szkoleniu: \nDwudniowe szkolenie wprowadza w jedną z dziedzin sztucznej inteligencji\, tzw. Machine Learning (uczenie maszynowe) i jest przeznaczone dla osób z podstawową umiejętnością programowania. W trakcie krótkich wykładów\, ćwiczeń i dyskusji uczestnicy nabywają umiejętność rozwiązywania typowych problemów. Podczas warsztatu kładziony jest nacisk także na aspekt biznesowy – uczestnicy uczą się oceniać\, czy dany problem da się i opłaca rozwiązać z użyciem Machine Learning. Szkolenie będzie prowadzone w modelu BYOL – bring your own laptop. \nDla kogo jest ten kurs? \nDla programistów\, Project Managerów\, dyrektorów IT\, analityków Data Science i Business Inteligence\, a także dla osób znających podstawy programowania i chcących nauczyć się jak używać Machine Learning. \nForma szkolenia: \nSzkolenie w większości oparte jest na warsztatach i ćwiczeniach omawianych na forum. Uczestnicy dostają przygotowane wcześniej elektroniczne materiały szkoleniowe\, w których mogą robić notatki i wprowadzać zmiany. Podczas spotkania opracowywane są case study dotyczące wielu różnych branż. \nKorzyści ze szkolenia: \nPo ukończonym szkoleniu uczestnicy potrafią wykorzystać dostępny w Pythonie toolset do szybkiego tworzenia prototypów i weryfikowania hipotez. Z łatwością oceniają możliwości rozwiązania danego problemu przy pomocy Machine Learning\, a także potrafią dobrać do niego odpowiedni algorytm. \nPo szkoleniu znasz:\n\nmożliwość i ograniczenia Machine Learning\,\n– korzyści z właściwego opisania problemu\,\n– typy problemów\, które można rozwiązać używając Machine Learning\,\n– najpopularniejsze algorytmy stosowane zarówno w uczeniu nadzorowanym\, jak i nienadzorowanym\,\n– najpowszechniejsze błędy przy ocenie pracy modelu\,\n– strony internetowe i książki\, dzięki którym będą mogli rozwijać się dalej w Machine Learning.\n\nPo szkoleniu potrafisz:\n\nocenić\, czy możliwe jest rozwiązanie danego problemu przy pomocy Machine Learning\,\n– oszacować korzyści z rozwiązania danego problemu\,\n– dobrać odpowiedni algorytm do problemu\,\n– opracować\, jak mierzyć rezultat i na tej podstawie wybrać najlepszy model\,\n– przekształcić dane wejściowe do innej\, bardziej użytecznej postaci\,\n– wykorzystać dostępny w Pythonie toolset do szybkiego tworzenia prototypów i weryfikowaniu hipotez\,\n– ocenić pracę modelu w wiarygodny sposób.\n\nW trakcie szkolenia zapewniamy:  \n\nelektroniczne materiały szkoleniowe\, w których na bieżąco można dodawać notatki i komentarze\,\npomoc w przygotowaniu komputera\,\nprzerwę kawowo-ciasteczkową\,\nlunch\,\ncertyfikat uczestnictwa.\n\nWartość: \n2399zł + VAT \n[/vc_column_text][vc_column_text]\nZamawiam szkolenie →\n\n\n\n\n\n\n\n\n\nFormularz rejestracji: Machine Learning w Pythonie - praktyczne szkolenie\nWyślij formularz rejestracji -->> dostaniesz potwierdzenie zapisu na szkolenie. Każde potwierdzenie wysyłamy ręcznie 🙂 \nStandardowo otrzymasz fakturę proforma.\nWysłanie formularza rejestracji zobowiązuje do zapłaty oraz uczestniczenia w szkoleniu.\nProcedura rezygnacji/odwołania jest opisana w Regulaminie \nCzęść pól jest wymagane \n\nAdres email (wymagane)\n\n      \n* wpisz adres e-mail uczestnika szkolenia\, jeśli chcesz zgłosić kilku uczestników\, napisz na szkolenia@gigacon.org \n\nImię (wymagane)\n\n      \n\nNazwisko (wymagane)\n\n      \n\nTelefon (wymagane)\n\n      \nDane do faktury: \n\nNazwa firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nNIP firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nMiejscowość (wymagane)\n\n      \n\nKod pocztowy (wymagane)\n\n      \n\nUlica (wymagane)\n\n      \n--------------------- \n\nZamawiam (wymagane)\n\nMachine Learning w Pythonie - praktyczne szkolenie - cena 2399 PLN +23% VAT \n\nTermin szkolenia (wymagane)\n\n20-21 lutego 2020r.\, Warszawa \n\nSkąd wiesz o szkoleniu?\n\n \n\nUwagi/pytania/dodatkowe informacje\n\n \n\nOświadczam\, że zapoznałem się z polityką prywatności i regulaminem\, i ją akceptuję.\n\nTak \nSzanujemy Państwa prywatność. Jeżeli z jakichkolwiek względów nie są Państwo w stanie zaakceptować warunków regulaminu udziału w szkoleniu\, a chcieliby Państwo w nim uczestniczyć prosimy o kontakt mailowy: szkolenia@gigacon.org \n \nWszystkie rejestracje potwierdzamy ręcznie.\nJeśli masz pytania lub masz wątpliwość czy Twoje zgłoszenie zostało zarejestrowane\, napisz: szkolenia@gigacon.org \n\n	\n		var iFrame_formularz = jQuery("#form-lightbox-formularz iframe").attr("src");\n		jQuery(document).ready(function() {jQuery(".fl_box-formularz").colorbox({\n				inline : true\,\n				href :"#form-lightbox-formularz"\, \n				transition : "1"\,speed : 350\,scrolling : true\,opacity : 0.85\,returnFocus : true\,fastIframe : true\,closeBtn : true\,escKey : true\,\n				onClosed : function(){ jQuery("#form-lightbox-formularz iframe").attr("src"\, iFrame_formularz); } \n			});\n	});\n	 \n[/vc_column_text][/vc_column][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/6″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][/vc_column][/vc_row][vc_row type=”full_width_background” full_screen_row_position=”middle” bg_color=”#f9f9f9″ scene_position=”center” text_color=”dark” text_align=”left” class=”agenda_container asd“ id=“agenda” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/4″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][/vc_column][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/2″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text]\nAgenda\n[/vc_column_text]AGENDA[vc_column_text]\n\n\n\n\nDzień 1\n\n\n\n\n09:00 – 09:30\nPrzedstawienie się:\n– Omówienie celów spotkania\n– Omówienie agendy warsztatów\n– Zapoznanie się z potrzebami uczestników\n\n\n09:30 – 11:00\nTooling\n– Jakie są najpopularniejsze środowiska i języki programowania stosowane w Data Science i Machine Learning (MATLAB\, R\, Python)? Czym różnią się między sobą?\n– Dlaczego będziemy korzystać z Pythona?\n– Jakie są przydatne narzędzia do pracy w Pythonie (IDE: PyCharm\,Visual Studio Code\, menedżer pakietów pip\, interaktywna konsola IPython i Jupyter Notebook\, virtualenv) i jak z nich korzystać?\nPython w pigułce\n– Jakie są podstawowe typy danych istotne przy przetwarzaniu danych i Machine Learning (list\, tuple\, dict\, numpy.array\, pandas.DataFrame\, pandas.Series\, dask.DataFrame\, dask.Bag)?\n– Dlaczego jest tak wiele bibliotek do przetwarzania danych?\n– Jakie są mniej znane konstrukcje językowe (menedżery kontekstu\, parametry nazwane\, duck typing\, metoda str.format\, funkcja enumerate) w Pythonie?\n\n\n11:00 – 11:15\nPrzerwa\n\n\n\n11:15 – 12:15\nWizualizacja danych w matplotlib\n– Jak wizualizować i eksplorować dane z użyciem biblioteki matplotlib?\n– Jak narysować wykresy liniowe i punktowe?\n– Jak przedstawić wiele serii oraz legendę?\n– Jak zastosować skalę liniową\, logarytmiczną\, logitową lub “symlog”?\n– Jak zapisać wykres do pliku?\n– Jak narysować kilka wykresów na jednym arkuszu (subplot)?\n– Jak eksplorować dane tworząc interaktywne wykresy?\n\n\n12:15 – 13:15\nLunch\n\n\n\n13:15 – 15:00\nPodstawy uczenia maszynowego\n– Wprowadzenie w formie case study (klasyfikacja).\n– Jaka jest relacja między sztuczną inteligencją (AI)\, uczeniem maszynowym (Machine Learning) i Deep Learning?\n– Jakie są podstawowe pojęcia i nazewnictwo\, z którego będziemy korzystać? Czym jest zbiór danych (dataset)\, cecha (feature)\, obserwacja (sample\, observation)\, wejście\, wyjście\, model?\n– Na czym polega przeuczenie (nadmierne dopasowanie\, overfitting) i czym różni się od niedopasowania?\n– Jak prawidłowo podzielić dane na zbiór uczący/trenujący\, walidujący i testujący? Dlaczego jest to takie ważne?\n– Jakie są typy danych (wielkości ciągłe\, kategorie i flagi) i reprezentować bardziej złożone struktury\, takie jak daty\, obraz\, dźwięk\, video itd.\n– Jakie problemy rozwiązuje ML i jak dobrać odpowiedni algorytm? Czy różni się uczenie nadzorowane od nienadzorowanego\, czym jest klasyfikacja binarna i wieloklasowa\, regresja\, klasteryzacja\, systemy rekomendacji\, ranking itd.\n– Jak wygląda iteracyjny model pracy analityka wykorzystującego Machine Learning?\n– Jakie są łatwo dostępne zbiory danych (np. Iris) i jak je załadować?\n– Jak eksplorować dane dzięki agregowaniu ich i wizualizacji?\n– Kiedy\, dlaczego i jak normalizować dane? Jakie są różne sposoby normalizacji?\n\n\n15:00 – 15:15\nPrzerwa\n\n\n15:15 – 17:00\nUczenie nadzorowane (Supervised Learning)\n– Czym różni się klasyfikacja od regresji? Co to jest klasyfikacja binarna i wieloklasowa? Jak realizuje się klasyfikację wieloklasową?\n– Jaka jest zasada działania algorytmu k-Nearest Neighbour?\n– Jak działają i czym różnią się między sobą poszczególne modele liniowe: metoda najmniejszych kwadratów\, Ridge\, Lasso\, Elastic Net\, naiwny klasyfikator Bayesa\, (kernelized) Support Vector Machines.\n– Co to są drzewa decyzyjne i lasy losowe oraz Gradient Boosting? Jak wykorzystać XGBoost?\n– Jak działają sieci neuronowe? Jak stosować perceptron wielowarstwowy? Jak dobrać strukturę sieci – liczbę warstw i neuronów w każdej warstwie ukrytej? Czym jest Deep Learning i jak zastosować TensorFlow do budowania bardziej złożonych sieci neuronowych?\n– Jak porównywać pracę różnych algorytmów?\n– Jak stuningować parametry poszczególnych algorytmów?\n– Dlaczego jest tak wiele różnych algorytmów i jak dobrać odpowiedni algorytm do problemu? Który z nich jest najlepszy?\n– Jak tuningować modele i znaleźć optymalne wartości parametrów (grid search)?\n– Jak wyliczyć pewność predykcji klasyfikatora (decision_function i predict_proba)?\n– Które modele wymagają normalizacji danych?\n\n\n\nDzień 2\n\n\n09:00 – 11:00\nUczenie nienadzorowane (Unsupervised Learning)\n– Jakie są zastosowania dla uczenia nienadzorowanego?\n– Jak ocenić rezultat modelu\, kiedy nie mamy Ground Truth?\n– Jak redukować wymiarowość danych? Co to jest analiza głównych składowych (Principal Component Analysis) oraz nieujemny rozkład macierzy (Non-Negatice Matrix Factorization)? Czym różnią się te dwie metody między sobą? Kiedy stosować PCA\, a kiedy NNMF?\n– Jak można eksplorować dane przy pomocy algorytmu t-SNE?\n– Do czego przydaje się klasteryzacja i jak jej dokonać? Jak dokonać prostej klasteryzacji z użyciem algorytmu k-Means Clustering?\n– Jak wyznaczyć całe hierarchie grup przy użyciu metod aglomeracyjnych\, m.in. ward’a? Jak użyć DBSCAN?\n– Jak ocenić rezultat klasteryzacji mając Ground Truth? Co to jest Adjusted Rand Index (ARI) i Normalized Mutual Information (NMI)?\n– Jak ocenić rezultat klasteryzacji nie mając Ground Truth?\n– Jak podczas klasteryzacji znaleźć obserwacje odstające (outliers)? O czym one świadczą?\n– Co to jest Semi-Supervised Learning i kiedy się go stosuje?\n\n\n11:00 – 11:15\nPrzerwa\n\n\n11:15 – 12:45\nOcena pracy modelu\n– Jakie są najpowszechniejsze błędy metodologiczne?\n– Jak uzyskać wiarygodną ocenę dokładności modelu? Do czego służy zbiór uczący\, walidujący i testujący?\n– Jak otrzymać bardziej stabilną ocenę dzięki kroswalidacji (Cross Validation)?\n– Jakie są różne sposoby podziału danych do kroswalidacji (k-krotna walidacja\, leave-one-out\, kroswalidacja stratyfikowana\,  kroswalidacja serii czasowej\, implementacja własnej strategii\, podział predefiniowany)? Jak połączyć kroswalidację z Grid Search?\n– Jak ocenić pracę klasyfikatora binarnego\, zwłaszcza gdy klasy nie są zbalansowane? Czym różni się precyzja (precision) i czułość (recall) od dokładności (accuracy)? Kiedy lepiej jest stosować F1-Score od dokładności (accuracy)? Co to jest krzywa ROC i jak ją interpretować? Co to jest AUC?\n– Jak ocenić pracę klasyfikatora wieloklasowego?\n– Jakie są metryki do regresji (R2\, błąd średniokwadratowy\, średni błąd absolutny).\n– Jak oszacować korzyść biznesową\, jaką da rozwiązanie danego problemu?\n\n\n12:45 – 13:45\nLunch\n\n\n13:45 – 15:15\nReprezentacja danych\, Feature Engineering & Feature Selection\n– Dlaczego sposób reprezentacji danych ma tak duży wpływ na końcowy rezultat?\n– Jak reprezentować kategorie? Co to jest One-Hot-Encoding i jak się to stosuje?\n– Kiedy tworzenie nowych cech na podstawie istniejących (Feature Engineering) poprawia końcowy rezultat?\n– Jakie są techniki Feature Engineering – dyskretyzacja\, transformacje nieliniowe\, wielomiany.\n– Jak wykorzystać wiedzę domenową przy generowaniu nowych cech?\n– Dlaczego warto ograniczyć liczbę cech (Feature Selection)?\n– Jakie są trzy podstawowe sposoby automatycznego wyboru najistotniejszych cech: Univariate Statistics\, Model-Based Feature Selection\, metoda iteracyjna?\n\n\n15:15 – 15:30\nPrzerwa\n\n\n15:30 – 17:00\nUczenie maszynowe & Big Data\n– Co zrobić\, gdy dane nie mieszczą się w pamięci lub ich przetwarzanie trwa zbyt długo? Kiedy dask jest dobrym rozwiązaniem? Kiedy warto zainteresować się PySpark? A kiedy użyć TensorFlow?\n– W jaki sposób zrównoleglić obliczenia na klaster obliczeniowy bez przepisywania całego kodu?\n– Które algorytmy daje się łatwo zrównoleglić? Co zrobić\, jeśli korzystamy z któregoś z pozostałych?\n\n\n\n17:00 – 17:15\nZakończenie\, rozdanie certyfikatów i ankieta ewaluacyjna\n\n\n\n[/vc_column_text][/vc_column][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/4″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][/vc_column][/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text el_class=”anchor”]Prelegenci[/vc_column_text][vc_column_text]\nTRENER\n[/vc_column_text]Krzysztof MędrelaTrener i Konsultant ITTrener i konsultant specjalizujący się w Pythonie oraz Machine Learning. Szkoli i prowadzi programy rozwojowe w firmach takich jak Nokia\, Ericsson\, Motorola\, Allegro\, UBS\, oraz w sektorze publicznym (np. Office for National Statistics)\, zarówno w Polsce\, jak i za granicą. Wierzy\, że same umiejętności techniczne nie wystarczą w Machine Learning i dlatego kładzie nacisk na szersze spojrzenie oraz na aspekt biznesowy.\nZanim poświęcił się pracy trenera i konsultanta\, nabył wszechstronne doświadczenie pracując jako programista. Nie ogranicza się tylko do Machine Learning. Rozwijał oprogramowanie open-source i jest twórcą modułu System Check Framework wydanego w 2014 roku w Django\, wiodącym frameworku webowym w Pythonie. Jako freelancer\, współtworzył i wdrażał AMY - dedykowany\, open-sourcowy system ERP dla organizacji szkoleniowej Software Carpentry\, która wyszkoliła do tej pory ponad 30 tys. naukowców. [vc_text_separator title=”Uczestnicy o szkoleniu”][vc_column_text]“Szkolenie było udane. To duża sztuka zmieścić taki materiał w 2 dni i dojść do momentu gdy całą wiedzę pozyskaną można już zastosować. Oczywiście sporo wiedzy jeszcze zostało do ogarnięcia ale to całkiem dobry punkt wyjścia.” \nUczestnikom najbardziej w szkoleniu podobało się:\n– interaktywność\,\n– ćwiczenia\,\n– kompetencje i wiedza trenera\,\n– bardzo dobra komunikacja z uczestnikami\,\n– świetne materiały szkoleniowe\,\n– wyczerpujące odpowiedzi trenera\,\n– dużo kodu i poruszanie wszystkich tematów.[/vc_column_text][/vc_column][/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” top_padding=”40″ bottom_padding=”40″ class=”event_opis liniadol” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text]\nKontakt\n[/vc_column_text][/vc_column][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”]Aneta WłodkowskaChcesz zorganizować szkolenie zamknięte w swojej firmie? Napisz!aneta.wlodkowska@gigacon.org [/vc_column][/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][vc_column_text]\nZamawiam szkolenie →\n\n\n\n\n\n\n\n\n\nFormularz rejestracji: Machine Learning w Pythonie - praktyczne szkolenie\nWyślij formularz rejestracji -->> dostaniesz potwierdzenie zapisu na szkolenie. Każde potwierdzenie wysyłamy ręcznie 🙂 \nStandardowo otrzymasz fakturę proforma.\nWysłanie formularza rejestracji zobowiązuje do zapłaty oraz uczestniczenia w szkoleniu.\nProcedura rezygnacji/odwołania jest opisana w Regulaminie \nCzęść pól jest wymagane \n\nAdres email (wymagane)\n\n      \n* wpisz adres e-mail uczestnika szkolenia\, jeśli chcesz zgłosić kilku uczestników\, napisz na szkolenia@gigacon.org \n\nImię (wymagane)\n\n      \n\nNazwisko (wymagane)\n\n      \n\nTelefon (wymagane)\n\n      \nDane do faktury: \n\nNazwa firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nNIP firmy\n\nZgłaszając się jako osoba prywatna zostaw pole puste.\n      \n\nMiejscowość (wymagane)\n\n      \n\nKod pocztowy (wymagane)\n\n      \n\nUlica (wymagane)\n\n      \n--------------------- \n\nZamawiam (wymagane)\n\nMachine Learning w Pythonie - praktyczne szkolenie - cena 2399 PLN +23% VAT \n\nTermin szkolenia (wymagane)\n\n20-21 lutego 2020r.\, Warszawa \n\nSkąd wiesz o szkoleniu?\n\n \n\nUwagi/pytania/dodatkowe informacje\n\n \n\nOświadczam\, że zapoznałem się z polityką prywatności i regulaminem\, i ją akceptuję.\n\nTak \nSzanujemy Państwa prywatność. Jeżeli z jakichkolwiek względów nie są Państwo w stanie zaakceptować warunków regulaminu udziału w szkoleniu\, a chcieliby Państwo w nim uczestniczyć prosimy o kontakt mailowy: szkolenia@gigacon.org \n \nWszystkie rejestracje potwierdzamy ręcznie.\nJeśli masz pytania lub masz wątpliwość czy Twoje zgłoszenie zostało zarejestrowane\, napisz: szkolenia@gigacon.org \n\n	\n		var iFrame_formularz = jQuery("#form-lightbox-formularz iframe").attr("src");\n		jQuery(document).ready(function() {jQuery(".fl_box-formularz").colorbox({\n				inline : true\,\n				href :"#form-lightbox-formularz"\, \n				transition : "1"\,speed : 350\,scrolling : true\,opacity : 0.85\,returnFocus : true\,fastIframe : true\,closeBtn : true\,escKey : true\,\n				onClosed : function(){ jQuery("#form-lightbox-formularz iframe").attr("src"\, iFrame_formularz); } \n			});\n	});\n	 \n[/vc_column_text][vc_text_separator title=”Patroni Medialni” color=”custom” accent_color=”#2ac4ea”][vc_column_text]\n\n		\n			#gallery-2 {\n				margin: auto;\n			}\n			#gallery-2 .gallery-item {\n				float: left;\n				margin-top: 10px;\n				text-align: center;\n				width: 20%;\n			}\n			#gallery-2 img {\n				border: 2px solid #cfcfcf;\n			}\n			#gallery-2 .gallery-caption {\n				margin-left: 0;\n			}\n			/* see gallery_shortcode() in wp-includes/media.php */\n		\n		\n			\n				\n			\n			\n				\n			\n				\n				poradnik przedsiębiorcy\n				\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n				\n			\n			\n		\n\n[/vc_column_text][/vc_column][/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” text_align=”left” overlay_strength=”0.3″ shape_divider_position=”bottom”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” width=”1/1″ tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid”][/vc_column][/vc_row]\n
URL:https://oldsite.gigacon.org/event/machine_learning_10-19/
LOCATION:Centrum Konferencyjne Ogrodowa 58\, Ogrodowa 58\, Warszawa\, mazowieckie\, Polska
ATTACH;FMTTYPE=image/jpeg:https://oldsite.gigacon.org/wp-content/uploads/2018/06/machine.jpg
END:VEVENT
END:VCALENDAR