Analiza danych - Data Science z elementami AI

• Podstawy Pythona – składnia, struktury danych (listy, słowniki, zbiory)
• Wprowadzenie do Jupyter Notebook – praca w środowisku do analizy danych
• Biblioteki Python: numpy i pandas – podstawowe operacje na danych, modyfikacje, transformacje

• Zaawansowane operacje na danych w pandas – filtrowanie, grupowanie, przekształcanie danych
• Eksploracyjna analiza danych (EDA) – techniki eksploracyjne, statystyki opisowe
• Wizualizacja danych w Pythonie – użycie bibliotek matplotlib i seaborn do tworzenia wykresów i wizualizacji

• Czyszczenie danych – obsługa brakujących danych, usuwanie wartości odstających za pomocą pandas i numpy
• Standaryzacja i normalizacja danych – transformacje za pomocą scikit-learn
• Łączenie i agregacja danych – operacje merge, join, concatenate w pandas

• Statystyka opisowa i inferencyjna – podstawowe miary, testy statystyczne z scipy i statsmodels
• Rozkłady prawdopodobieństwa – implementacja rozkładów przy użyciu numpy i scipy
• Regresja liniowa w Pythonie – wprowadzenie do modelowania regresji liniowej w scikit-learn, analiza wyników, interpretacja

• Uczenie nadzorowane i nienadzorowane – podstawowe pojęcia i typy problemów
• Regresja liniowa i logistyczna – implementacja i interpretacja modeli z scikit-learn
• Wskaźniki oceny modeli – użycie metryk takich jak accuracy, precision, recall, F1-score w scikit-learn

• Modele klasyfikacji – implementacja drzew decyzyjnych, KNN, Naive Bayes w scikit-learn
• Klasteryzacja – algorytmy K-means, DBSCAN w scikit-learn
• Wprowadzenie do Azure Machine Learning – założenie konta, praca w środowisku Azure ML Workspace, użycie SDK Azure
• Tworzenie i uruchamianie eksperymentów ML w Azure – wykorzystanie klasyfikatorów i klasteryzacji, uruchamianie modeli ML w Azure ML Studio

• Ensemble learning – implementacja lasów losowych (Random Forest) i gradient boosting (XGBoost, LightGBM) w scikit-learn
• Tuning hiperparametrów – użycie GridSearchCV i RandomizedSearchCV z scikit-learn do poprawy wyników modeli
• Automatyzacja modelowania ML w Azure – AutoML w Azure ML Studio, wdrażanie i monitorowanie modeli z Azure SDK

• Wprowadzenie do przetwarzania języka naturalnego (NLP) – podstawowe pojęcia i zastosowania
• Analiza tekstu – tokenizacja, ekstrakcja cech za pomocą TF-IDF z scikit-learn, analiza sentymentu
• Modele NLP w Pythonie – implementacja modelu Bag of Words, Word2Vec z Gensim, analiza i interpretacja wyników

• Podstawy sieci neuronowych – budowa perceptronu, teoria działania, neuron w tensorflow i keras
• Wprowadzenie do TensorFlow i Keras – tworzenie prostych sieci neuronowych, użycie TensorBoard do monitorowania wyników
• Azure Cognitive Services – przegląd usług AI, takich jak Vision API, Speech API i Text Analytics API
• Praktyczne zastosowanie Azure Cognitive Services – użycie Vision API do analizy obrazów lub Text Analytics do analizy tekstów

Deep learning (Keras, TesnorFlow, Pytorch)

Projekt i egzamin końcowy (16 godz.):

• Seminarium projektowe – opracowanie projektu końcowego, wybór problemu do analizy, praca nad projektem (8 godz.)
• Prezentacja projektu – omówienie wyników, przegląd zastosowanych technik, omówienie wykorzystanych technologii (6 godz.)
• Egzamin