W tym module nauczysz się korzystać z podstawowych narzędzi na komputerze oraz jak sprawnie używać programu do śledzenia zmian w kodzie, który nazywa się Git.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Będziesz wiedzieć, jak korzystać z konsoli.
   Konsola systemowa to specjalny program, który pozwala Ci wygodnie sterować i zarządzać plikami. W analizie danych oraz pracy z narzędziami Data Science jest to niezwykle użyteczne, ponieważ dzięki temu możesz szybko wykonywać różne operacje danych. Wyobraź sobie, że masz biblioteczkę z wieloma książkami. Konsola to katalog, dzięki któremu szybko znajdziesz książkę, na której Ci zależy. W konsoli możesz szybko nawigować między różnymi półkami z danymi, przeglądać je, a także wykonywać specjalne operacje na nich, takie jak analiza czy przetwarzanie.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Wstępna analiza danych: wyobraź sobie, że analizujesz dane, które dotyczą zakupów online. Gdy korzystasz z konsoli, możesz szybko przejść do folderu z danymi, uruchomić skrypt do wstępnej analizy i przeglądać wyniki.
  
  
• Współpraca z członkami zespołu: zakładamy, że pracujesz w zespole nad projektem analizy rynku. Dzięki Git, możecie śledzić postępy pracy każdego członka zespołu, integrować różne części analiz i skutecznie koordynować działania.
  
  
• Wieloobszarowa analiza: załóżmy, że Ty zajmujesz się analizą finansową, a inny członek zespołu analizą marketingową. Dzięki GIT, możecie równolegle pracować nad różnymi aspektami projektu, a następnie zintegrować Wasze wyniki.

W tym bloku zapoznamy się z fundamentalnymi aspektami języka programowania, jakim jest Python, w kontekście Data Science.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Będziesz znać podstawy Pythona.
   Nauczysz się podstawowych konceptów programowania w Pythonie, które są niezbędne w analizie danych. Na przykład, możesz napisać program, który obliczy średnią temperaturę na podstawie danych z kilku dni.
   
   
2. Będziesz wiedzieć czym jest programowanie obiektowe. 
   Poznasz paradygmat programowania obiektowego w Pythonie, co umożliwi Ci tworzenie bardziej zaawansowanych i zorganizowanych struktur danych. Na przykład, możesz stworzyć miejsce do przechowywania informacji o klientach, które zawiera ich imiona, nazwiska i historię zakupów.
   
   
3. Będziesz znać narzędzie, jakim jest Google Colab.
   Odkryjesz, jak wykorzystać narzędzia, które ułatwiają pracę z danymi. Google Colab to jak specjalne biurko do analizy danych w przeglądarce. Wyobraź sobie, że masz zestaw danych o sprzedaży. W Google Colab możesz szybko stworzyć wykresy, które prezentują trendy sprzedaży.
   
   
4. Poznasz średniozaawansowane funkcje Pythona.
   Będziesz wykorzystywać bardziej zaawansowane funkcje Pythona, które są używane w analizie danych, takie jak obsługa zaawansowanych struktur danych, operacje na plikach i biblioteki do analizy danych. Na przykład, będziesz w stanie napisać skrypt, który automatycznie analizuje i porównuje dane sprzedażowe z różnych regionów.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Skrypty analizy danych: wyobraź sobie, że prowadzisz mały sklep internetowy i chcesz dowiedzieć się, jakie produkty sprzedają się najlepiej. Z pomocą Pythona możesz napisać skrypt, który automatycznie przeanalizuje historię zakupów i pokaże Ci, które produkty cieszą się największą popularnością.
  
  
• Algorytmy uczenia maszynowego: załóżmy, że jesteś kinomanem i chcesz zobaczyć, jakie nowe filmy mogą Cię zainteresować. Dzięki Pythonowi i algorytmom uczenia maszynowego, możesz stworzyć program, który na podstawie Twoich preferencji filmowych będzie proponować Ci potencjalne hity.
  
  
• Wizualizacje danych: może masz swoje hobby, na przykład zbierasz znaczki, i chcesz zobaczyć, jak kształtuje się Twoja kolekcja w czasie. Python pozwoli Ci stworzyć wykres, który pokaże, jak rośnie liczba Twoich unikalnych znaczków w kolejnych miesiącach.
  
  
• Analiza dużych danych: wyobraź sobie, że jesteś właścicielem dużego sklepu internetowego, który sprzedaje elektronikę. Dzięki Pythonowi możesz przeanalizować duże ilości danych, które dotyczą transakcji. W ten sposób lepiej zrozumiesz, które produkty cieszą się największym zainteresowaniem klientów.

W tym bloku zgłębisz dziedzinę, jaką jest statystyka i teoria prawdopodobieństwa. To fundament analizy danych.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Poznasz elementy algebry liniowej z wykorzystaniem NumPy.
   Wyobraź sobie, że masz dane, które dotyczą sprzedaży w różnych regionach. Dzięki algebrze liniowej, możesz efektywnie przetwarzać te dane, na przykład obliczyć średnią sprzedaż lub zidentyfikować trendy na wykresach.
   
   
2. Będziesz wiedzieć czym jest prawdopodobieństwo i teoria informacji.
   Prawdopodobieństwo to miara tego, jakie są szanse wystąpienia danego zdarzenia. Jest to kluczowy koncept w analizie danych, który pozwala nam podejmować decyzje na podstawie danych.
   
   
3. Będziesz wykorzystywać statystykę opisową.
   Statystyka opisowa pozwala Ci szybko zrozumieć ogólne charakterystyki zjawisk, które badasz, identyfikować ewentualne odstępstwa oraz wyciągać pierwsze wnioski na ich temat.
   
   
4. Wykonasz testy statystyczne.
   Testy statystyczne to procedury używane w analizie danych, dzięki którym wyciągniesz wnioski na temat populacji na podstawie próby. Są one wykorzystywane do sprawdzenia, czy różnice między grupami są wynikiem prawdziwych zjawisk czy po prostu wynikają z losowych fluktuacji.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Medycyna: w analizie skuteczności nowego leku, testy statystyczne pozwolą Ci zweryfikować, czy różnice w wynikach między grupą leczoną a grupą kontrolną są istotne statystycznie. Innym przykładem może być badanie, czy dieta lub nowa metoda treningu naprawdę wpływa na utratę wagi.
  
  
• Przewidywanie pogody: wyobraź sobie, że masz zestaw pomiarów temperatury z pięciu różnych miejsc na mieście. Możesz użyć algebry liniowej do obliczeń, takich jak obliczanie średniej temperatury, identyfikacja najzimniejszego i najcieplejszego dnia oraz analiza zmienności temperatury w różnych lokalizacjach.

W tym bloku skupimy się na praktycznych aspektach pracy z danymi w Data Science. Nauczysz się, jak efektywnie gromadzić, przetwarzać i analizować dane, aby wydobyć z nich wartościowe informacje.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Wykonasz podstawowe operacje na danych.
   Zdobędziesz umiejętności w wykonywaniu podstawowych operacji, takich jak filtrowanie, sortowanie czy grupowanie danych.
   
   
2. Będziesz wiedzieć, jak wykorzystać feature engineering.
   Feature engineering, czyli inżynieria cech, to proces tworzenia nowych cech lub przekształcania istniejących cech, aby poprawić wydajność modelu uczenia maszynowego. Cechy to informacje, których model używa do przewidywania wyników. Na przykład, w modelu uczenia maszynowego do przewidywania cen domów, cechami mogłyby być liczba sypialni, metraż, lokalizacja i wiek nieruchomości.
   
   
3. Wygenerujesz raporty za pomocą narzędzia Pandas Profiling.
   Pandas Profiling to narzędzie, które automatycznie będzie tworzyć dla Ciebie raporty, które zawierają opisy cech oraz statystyki.
   
    
4. Będziesz pracować z plikami.
   Nauczysz się, jak zapisywać i odczytywać dane w różnych formatach.
   
   
5. Pobierzesz dane z API.
   API to zestaw reguł i protokołów, które umożliwiają różnym aplikacjom komunikację między sobą. Dzięki API, jedna aplikacja może żądać określonych działań lub danych od innej, co pozwala im na współpracę i wymianę informacji. W Data Science, oznacza to umiejętność automatycznego pobierania danych z różnych źródeł online, takich jak serwisy społecznościowe, strony internetowe, platformy handlowe. Dzięki temu, masz dostęp do aktualnych, dynamicznych danych, które możesz wykorzystać w analizach lub modelowaniu.
   
   
6. Poznasz język SQL.
   Dzięki SQL możesz precyzyjnie wybierać, filtrować oraz analizować dane, które przechowujesz w bazie. Możesz też łączyć różne źródła danych, co jest istotne przy kompleksowych analizach. SQL pomoże Ci też optymalizować zapytania, co przyspiesza Twój proces analizowania dużych zbiorów danych.
   
   
7. Zaprogramujesz bazy danych.
   Programowanie bazy danych to nauka, jak tworzyć i zarządzać miejscem, gdzie przechowujemy różne informacje. To jak organizujemy dane jest ważne, bo dzięki temu dane te są łatwo dostępne i szybko można z nich korzystać.

Jak możesz wykorzystać tę wiedzę w praktyce?

• Nieruchomości: przy pracach nad modelem, który przewiduje cenę nieruchomości, stworzysz nowe cechy, takie jak cena za metr kwadratowy. Taka cecha może być kluczowe dla precyzyjnej prognozy cen.
  
  
• Sprzedaż: w analizie zbioru danych, które zawierają informacje o klientach, Pandas Profiling automatycznie dostarczy raport z podsumowaniem, takim jak średnia wieku klientów czy najpopularniejsze lokalizacje.
  
  
• Marketing: w przypadku analizy trendów społecznościowych, automatyczne pobieranie najnowszych postów lub komentarzy z wybranych platform społecznościowych pozwoli Ci śledzić aktualne zdarzenia, które dotyczą Twojej marki.

W tym bloku skupimy się na technikach prezentacji danych w sposób zrozumiały i atrakcyjny wizualnie.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Wykorzystasz narzędzia do tworzenia wykresów.
   Będziesz korzystać z różnych narzędzi, takich jak matplotlib i seaborn, aby stworzyć różnorodne typy wykresów, na przykład histogramy (które pokazują rozkład danych), wykresy słupkowe (do porównywania wielkości) oraz wykresy punktowe (do prezentowania relacji między danymi).
   
   
2. Będziesz pracować z zaawansowanymi bibliotekami. 
   To oznacza, że będziesz eksplorować dane, przybliżać szczegóły i uzyskiwać dodatkowe informacje, gdy klikniesz na różne elementy wykresu.
   
   
3. Wykorzystasz statystykę opisową do wizualizacji. 
   Pozwoli Ci to lepiej rozumieć charakterystykę danych, jak średnia, mediana, czy rozrzut. Dzięki temu, będziesz szybciej wykrywać wzorce i interpretować wyniki analiz.
   
   
    

Jak możesz wykorzystać tę wiedzę w praktyce?

• Rolnictwo: wyobraź sobie, że analizujesz rynek owoców i warzyw. Dzięki wizualizacji, możesz stworzyć kolorowy wykres słupkowy, który pokazuje popularność różnych rodzajów owoców w różnych regionach. To pozwoli szybko zauważyć, które owoce cieszą się popularnością w danym obszarze.
  
  
• Rozrywka: w badaniach nad preferencjami filmowymi, możesz wykorzystać wizualizację, aby stworzyć atrakcyjny wykres kołowy, który przedstawia procentowy udział różnych gatunków filmowych w preferencjach badanych. To pomoże Ci łatwo zidentyfikować, czy komedie są bardziej popularne niż filmy akcji czy dramaty.
  
  
• Finanse: jeśli masz portfel inwestycyjny, wizualizacja może pomóc w tym, aby śledzić zmiany wartości różnych akcji lub innych instrumentów finansowych. Na przykład, liniowy wykres czasowy pokaże Ci, jak kształtowały się ceny akcji w ciągu ostatnich miesięcy.

W tym bloku kursu nauczysz się o kluczowych koncepcjach związanych z uczeniem maszynowym, czyli dziedziną sztucznej inteligencji, oraz technikach regresji, czyli rodzaju algorytmów.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Zrozumiesz, jak uczą się maszyny.
   Wyobraź sobie, że maszyna potrafi sama analizować informacje i podejmować decyzje, bez potrzeby precyzyjnego programowania. Na przykład, w sklepach internetowych, takie maszyny mogą nauczyć się, jakie produkty sugerować klientom, na bazie tego, co lubią.
   
   
2. Zrozumiesz, jak działa uczenie nadzorowane.
   To jak nauka z przewodnikiem. W tym przypadku, maszyna uczy się na podstawie danych, które już mają poprawne odpowiedzi. To tak, jak mieć nauczyciela, który pokazuje, co jest dobre, a co złe. Na przykład, w skrzynce mailowej, maszyna może nauczyć się wykrywać i przenosić wiadomości do folderu ze spamem, dzięki informacjom, które już mamy o tym, co jest niepożądane.
   
   
3. Zrozumiesz, jak działa uczenie przyrostowe.
   To jak nauka w trakcie gry. Model uczący się może dostosowywać się do nowych rzeczy, podobnie jak uczysz się nowych zasad w trakcie gry. Na przykład, w systemach rekomendacyjnych, jeśli Twoje gusta lub preferencje się zmieniają, model będzie potrafił dostosować swoje sugestie, tak jakby uczył się na bieżąco w trakcie gry.
   
   
4. Poznasz problemy w uczeniu maszynowym.
   Podczas nauki maszynowej czekają wyzwania. To tak, jakby próbować nauczyć maszynę, ale czasami możesz napotkać trudności. Na przykład, w medycynie, jeśli chcesz nauczyć maszynę rozpoznawać rzadkie choroby, może być trudno znaleźć wystarczającą liczbę przypadków do nauki. To jest jeden z problemów, z jakimi możesz się spotkać.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Sprzedaż: sklepy internetowe mogą wykorzystać uczenie maszynowe do tego, aby sugerować klientom produkty na podstawie ich preferencji zakupowych.
  
  
• Transport i logistyka: firmy transportowe mogą wykorzystać uczenie maszynowe do planowania najefektywniejszych tras dostaw.
  
  
• Marketing: uczenie maszynowe może pomóc w identyfikacji różnych grup klientów. Dzięki temu lepiej dostosujesz strategię marketingową do ich preferencji.

W tym bloku dowiesz się, jak nauczyć modele przewidywać kategorie lub klasy dla różnych rodzajów danych. 

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Dowiesz się, czym jest regresja logistyczna.
   Regresja logistyczna jest algorytmem, którego użyjesz, aby przewidzieć prawdopodobieństwo przynależności do  jednej z dwóch kategorii. Mierzy jak bardzo obserwacje przypominają jedną z dwóch kategorii. Wynik regresji logistycznej to liczba z zakresu 0 do 1, które można interpretować jako prawdopodobieństwo przynależności do danej klasy. Załóżmy, że mamy zbiór danych, które dotyczą studentów. Chcemy przewidzieć, czy student zdał lub nie zdał egzaminu. W tym przypadku mamy dwie kategorie: „zdał” lub „nie zdał”. Gdy wykorzystamy regresję logistyczną, możemy stworzyć model, który na podstawie różnych cech studentów (na przykład czas poświęcony na naukę, liczba poprzednich kursów) przewidzi prawdopodobieństwo zaliczenia egzaminu dla każdego studenta.
   
   
2. Wykorzystasz klasyfikację binarną i wieloklasową.
   Klasyfikacja binarna to jak rozstrzygnięcie między dwiema opcjami. To jak gdybyśmy pytali, czy jutro będzie padać deszcz – odpowiedź może to albo TAK, albo NIE. Na przykład, w medycynie klasyfikacja binarna pomoże stwierdzić, czy pacjent ma daną chorobę (TAK), czy nie (NIE). Natomiast klasyfikacja wieloklasowa to jak przewidywanie z wielu możliwych opcji. To tak, jak gdybyśmy pytali, co znajduje się na zdjęciu – może to być kot, pies, samochód, albo jeszcze coś innego. To znaczy, że mamy więcej niż dwie możliwe odpowiedzi.
   
   
3. Dowiesz się, czym jest algorytm k-najbliżsi sąsiedzi.
   Algorytm ten bazuje na cechach danych i na tej podstawie wskazuje najbliższe podobieństwa między nimi. Na przykład, w systemie rekomendacyjnym, k-najbliżsi sąsiedzi mogą sugerować produkty podobne do tych, które klient już przeglądał.
4. Poznasz technikę maszyn wektorów nośnych (SVM).
   Technika ta pozwala znaleźć najlepszą linię, która oddzielna różne grupy. Na przykład, w medycynie to tak, jak wyznaczyć granicę między zdrowymi a zainfekowanymi obszarami na obrazach lekarskich. 
   
   
    
5. Poznasz metodę drzew decyzyjnych. 
   Metoda ta, poprzez sekwencję pytań, prowadzi do podjęcia decyzji lub klasyfikacji danych. Na przykład, w analizie ryzyka ubezpieczeniowego, drzewa decyzyjne mogą oceniać ryzyko klienta na podstawie kilku kryteriów.
6. Poznasz algorytm naive bayes. 
   Algorytm ten oparty jest na statystyce i teorii prawdopodobieństwa, który klasyfikuje na podstawie szans. Na przykład, w marketingu, naive bayes może ocenić czy post w mediach społecznościowych jest pozytywny, negatywny czy neutralny. 
   
   
7. Wykorzystasz ocenę modelu (krzywa ROC, kroswalidacja).
   Narzędzie to wykorzystasz do pomiaru skuteczności modelu predykcyjnego. Na przykład, w przemyśle finansowym, krzywa ROC może pomóc w ocenie zdolności modelu do wykrywania oszustw.
   
   
8. Poznasz algorytm XGBoost.
   To zaawansowany algorytm uczący, który wykorzystuje wiele drzew decyzyjnych do dokładniejszej predykcji. Na przykład, w marketingu internetowym, XGBoost może przewidywać czy reklama zachęci do zakupu danego produktu. 
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Medycyna: wyobraź sobie, że jesteś lekarzem i chcesz przewidzieć, czy pacjent ma wysokie ryzyko zachorowania na rzadką chorobę na podstawie analizy wielu czynników, takich jak wyniki badań, styl życia i historii rodzinnej. Pomoże Ci w tym regresja logistyczna.
  
  
• Finanse: załóżmy, że pracujesz w banku i musisz ocenić ryzyko kredytowe klienta. Analizujesz dane takie jak dochody, historię kredytową i liczbę zaległych płatności, aby podjąć właściwą decyzję. Wykorzystasz do tego drzewa decyzyjne.

W tym bloku poznasz kluczowe techniki, które są niezwykle przydatne w analizie i przetwarzaniu danych. Przyjrzymy się również wyzwaniom, takim jak klątwa wymiarowości, które możesz napotkać w przypadku dużych i złożonych zbiorów danych.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Poznasz klątwę wymiarowości.
   To zjawisko, w którym wraz ze wzrostem liczby cech w danych, rośnie również ilość potrzebnych danych do tego, aby je skutecznie przetrenować. Klątwa wymiarowości sprawia, że konieczne jest zastosowanie technik redukcji wymiarów. Na przykład, w medycynie, analiza wielu cech pacjenta może prowadzić do potrzeby ogromnej liczby danych, aby zbudować skuteczny model diagnostyczny.
   
   
2. Wykorzystasz redukcję wymiarów PCA (analiza głównych składowych).
   Wyobraź sobie, że masz mnóstwo informacji, ale chcesz zachować tylko najważniejsze. PCA pomaga w wybraniu tych kluczowych elementów, dzięki czemu oszczędzasz miejsce i czas. To tak, jakbyśmy chcieli zobaczyć, które cechy wpływają najbardziej na wyniki w teście, ale nie chcemy analizować wszystkich szczegółów. PCA pomaga zidentyfikować te najważniejsze.
   
   
3. Dowiesz się, czym jest klasteryzacja danych algorytm k-średnich.
   Wyobraź sobie, że chcesz podzielić paczkę kolorowych koralików na grupy, gdzie w każdej grupie są koraliki podobne do siebie pod względem koloru. W ten sposób tworzysz klastry. Na przykład, w sklepie, możesz użyć tego, żeby podzielić klientów na grupy, gdzie ludzie z podobnymi zainteresowaniami będą w jednej grupie.
   
   
4. Poznasz segmentację obrazu, jako problem klasteryzacji. Dzięki segmentacji możesz podzielić obraz na obszary, które wyglądają podobnie, na przykład takie same kolory lub wzory. W fotografii lekarskiej, segmentacja obrazu może pomóc zidentyfikować różne tkanki na obrazach rentgenowskich.
   
    
5. Pogłębisz temat klasteryzacji danych za pomocą algorytmu DBSCAN.
   Klasteryzacja danych za pomocą algorytmu DBSCAN to technika, która pozwala Ci grupować dane na podstawie ich podobieństw, ale w przeciwieństwie do niektórych innych metod, nie wymaga określenia z góry, ile dokładnie tych grup ma być. Załóżmy, że masz zbiór punktów na płaszczyźnie. Chcesz je pogrupować, ale nie masz pojęcia, ile dokładnie grup tam jest. Algorytm DBSCAN pozwoli Ci znaleźć te grupy i uwzględnić różnice w gęstości tych punktów. Oznacza to, że grupy mogą mieć różne kształty i wielkości.
   
   
6. Poznasz gaussowski model mieszany.
   Gaussowski model mieszany to technika statystyczna, która pozwala Ci opisać rozkład danych, jako kombinację kilku różnych rozkładów normalnych. Każdy z tych rozkładów ma swój unikalny kształt, co pozwala na elastyczne modelowanie różnorodności danych. Aby zobaczyć to na przykładzie, wyobraź sobie, że masz dane o cenach akcji na giełdzie. Ceny mogą być pod wpływem różnych czynników, takich jak trendy rynkowe, zmienność czy sezonowe wahania. Gaussowski model mieszany pozwoliłby Ci opisać te dane jako kombinację różnych wzorców, z których każdy odzwierciedla inną charakterystykę rynku.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Medycyna: wyobraź sobie, że masz mnóstwo wyników badań pacjentów. Chcesz z nich wyciągnąć najważniejsze informacje, ale jest ich tak dużo, że trudno to zrobić. PCA pomaga wyłonić te najistotniejsze elementy.
  
  
• Sprzedaż: klasteryzacja danych algorytm k-średnich może być użyta do segmentacji klientów na grupy o podobnych preferencjach zakupowych, co pozwala lepiej ukierunkować kampanie marketingowe.

W tym bloku poznasz TensorFlow, czyli potężne narzędzie, które odgrywa kluczową rolę w dziedzinie Data Science oraz uczenia maszynowego. 

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Poznasz grafy obliczeniowe.
   Graf obliczeniowy to taki plan, który pokazuje, jak wykonywane są różne operacje matematyczne. W TensorFlow używamy grafów, żeby szybko i sprawnie przetwarzać dane. Wyobraź sobie, że chcesz dodać dwie liczby razem. Graf obliczeniowy pomaga w zorganizowaniu tego procesu.
   
   
2. Stworzysz proste modele.
   Będziesz tworzyć modele, które uczą się z danych, co pozwala im przewidywać lub klasyfikować różne rzeczy. Na przykład, możesz stworzyć prosty model, który przewiduje ceny domów na podstawie ich rozmiaru.
   
   
3. Będziesz zapisywać i wczytywać modele.
   To tak, jakbyśmy chcieli zapisać naszą pracę i móc do niej wrócić później. W przypadku modeli, zapisujemy je po nauczeniu, żeby można było ich potem użyć w innych miejscach lub w innym czasie. Na przykład: możesz nauczyć model rozpoznawania owoców, zapisać go i później użyć w swojej aplikacji na telefonie.
   
   
4. Będziesz wizualizować grafy obliczeniowe.
   To tak, jakbyśmy chcieli spojrzeć na mapę naszej pracy, żeby lepiej zrozumieć, jak dane przepływają przez naszą sieć.
   
    
5. Poznasz narzędzie tf.data API.
   Narzędzie to pomoże Ci wygodnie zarządzać danymi, na których uczysz swój model. Na przykład, wyobraź sobie, że masz mnóstwo obrazków do nauczenia modelu. tf.data API pomaga Ci w łatwym, aby model łatwo je przetworzył. 

Jak możesz wykorzystać tę wiedzę w praktyce?

• Edukacja: stworzysz prosty model do tego, aby personalizować treści edukacyjne i sugestie kursów na podstawie tego, jak zachowują się uczniowie.
  
  
• Transport i logistyka: z narzędziem tf.data API możesz optymalizować trasy transportowe i zarządzać danymi logistycznymi.
  
  
• Marketing: z wizualizacją grafów obliczeniowych możesz przeanalizować efektywność kampanii reklamowych i ścieżek konwersji klientów.

W tym bloku zrozumiesz podstawy biologicznych neuronów, aby następnie przejść do ich sztucznych odpowiedników, czyli perceptronów. Nauczysz się, jak uczyć takie sieci, a także jak wdrażać uczenie głębokie, co otworzy przed Tobą drzwi do bardziej zaawansowanych zagadnień. Poznasz również sieci wielowarstwowe, które pozwalają analizować złożone dane. Wreszcie, dowiesz się o hiperparametrach sieci neuronowej, które są kluczowe dla optymalnego działania takiego modelu.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Przeprowadzisz klasyfikację obrazu.
   Sztuczne sieci neuronowe pomogą Ci rozpoznawać rysunki i litery. Dzięki temu możesz na przykład rozpoznać pismo.
   
   
2. Dowiesz się, jak rozumieć mowę.
   Sieci neuronowe pomogą Ci analizować dźwięki i rozpoznawać mowę, co jest ważne w automatycznym tłumaczeniu lub asystentach głosowych.
   
   
3. Sprawdzisz nastroje w mediach społecznościowych. 
   Dzięki sieciom neuronowym możesz automatycznie analizować posty czy komentarze w mediach społecznościowych, żeby zrozumieć, jakie są w nich emocje i nastrój.
   
   
4. Będziesz prognozować rynki finansowe. 
   Sieci neuronowe mogą przewidywać, jak będą się rozwijały rynki, co jest ważne w finansach i inwestowaniu.
   
    
5. Będziesz wiedzieć, jak sugerować treści.
   Sztuczne sieci neuronowe analizują preferencje użytkowników i proponują im na przykład filmy, które mogą ich zainteresować.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Reklama: głębokie sieci neuronowe wykorzystasz do personalizacji reklam w czasie rzeczywistym. Optymalizatory pomagają szybko dostosować model, co pozwoli Ci lepiej dopasować reklamy do odbiorców.
  
  
• Medycyna: wiedzę z tego bloku możesz wykorzystać do klasyfikacji obrazów medycznych, na przykład rozpoznawanie zmian na zdjęciach rentgenowskich, lub do analizy dźwiękowej, na przykład po to, aby rozpoznać schorzenia na podstawie dzięku oddechu.
  
  
• Marketing: łatwo przeanalizujesz sentyment w mediach społecznościowych. Dzięki temu możesz zbadać reakcję na nowy produkt czy usługę.
  
  
• Rozpoznawanie mowy: asystenci głosowi, jak Siri czy Google Assistant, wykorzystują sieci neuronowe do rozpoznawania i rozumienia komend użytkowników.

W tym bloku wkroczysz w świat głębokich sieci neuronowych. To zaawansowana technika, która ma zastosowanie w wielu dziedzinach, od rozpoznawania obrazów po analizę języka naturalnego. 

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Poznasz problemy uczenia głębokich sieci neuronowych.
   Będziesz wiedzieć, jakie są sytuacje, w których głębokie sieci neuronowe mogą mieć problem z tym, aby poprawnie przewidywać lub analizować dane.
   
   
2. Poznasz problemy zanikających i eksplodujących gradientów.
   Będziesz wiedzieć, kiedy informacje, które przekazujesz przez głębokie sieci neuronowe, mogą tracić ważność lub zbyt szybko zyskiwać na znaczeniu.
   
   
3. Zrozumiesz inicjalizację wag.
   To proces, w którym ustawiasz początkową ważność. Dzięki niej sieci neuronowe zaczynają naukę na właściwym poziomie.
   
   
4. Wykorzystasz optymalizatory. 
   Optymalizatory to takie narzędzia, które pomagają Twoim sieciom neuronowym znaleźć najlepsze rozwiązanie szybko i sprawnie. To trochę jak szukanie najkrótszej drogi do celu – optymalizator wskazuje najefektywniejszą trasę.
    
5. Poznasz metody regularyzacji.
   Metody regularizacji to takie triki, które pomagają Twojemu modelowi nauczyć się dobrze, ale bez nadmiernego wysiłku! To jak trening dla atlety – chcemy, żeby był silny, ale nie przeciążony.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Reklama: głębokie sieci neuronowe wykorzystasz do personalizacji reklam w czasie rzeczywistym. Optymalizatory pomagają szybko dostosować model, co pozwoli Ci lepiej dopasować reklamy do odbiorców.
  
  
• Medycyna: głębokie sieci neuronowe wykorzystasz do analizy obrazów medycznych, takich jak tomografia komputerowa czy rezonans magnetyczny, co pomaga diagnozować choroby.
  
  
• E-commerce: inicjalizacja wag jest kluczowa, gdy tworzysz rekomendacje produktów dla klientów, które oparte są na ich historii zakupów. Dzięki odpowiednio ustawionym wagom, Twoje rekomendacje są trafniejsze. 

W tym bloku zajmiemy się przetwarzaniem obrazu, co pozwoli Ci na analizę i interpretację zawartości graficznej. Poznasz kluczowe techniki i narzędzia, które rządzą dziś computer vision. 

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Będziesz rozpoznawać obiekty na obrazach.
   Dowiesz się, jak stworzyć model, który rozpoznaje różne obiekty na obrazach, takie jak koty, psy, samochody i tak dalej.
   
   
2. Będziesz analizować emocje na twarzach.
   Poznasz metodologie analizy emocji na twarzach ludzkich. Wykorzystasz to w badaniach społecznych, analizie nastroju klientów.
   
   
3. Będziesz wykrywać ruch.
   Nauczysz się tworzyć systemy, które potrafią rozpoznawać ruch na obrazie. Wykorzystasz to do monitoringu czy automatyki.
   
   
4. Wykonasz segmentację i rozpoznasz tekst na obrazach.
   Poznasz techniki dzięki którym możesz wyodrębnić i rozpoznać tekst z obrazów, co jest kluczowe w wielu dziedzinach.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Motoryzacja: możesz rozwijać autonomiczne pojazdy. Rozpoznawanie i klasyfikacja elementów na drodze (np. znaki, piesi, inne pojazdy) jest kluczowe, aby pojazd mógł podjąć decyzję, jaki ruch wykonać.
  
  
• Medycyna: dzięki rozpoznawaniu tekstu na obrazach, Twój program  może automatycznie analizować wyniki badań

W tym bloku nauczysz się wykorzystywać techniki przetwarzania języka naturalnego (NLP) do analizy i manipulacji tekstu.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Poznasz podstawy NLP. 
   Zrozumiesz, jak w sposób naturalny, czyli za pomocą języka, działa komunikacja między ludźmi a komputerami. Na przykład, automatyczne sortowanie i kategoryzacja mejli w skrzynce odbiorczej na podstawie ich treści.
   
   
2. Będziesz pracować z plikami i przeprowadzać operacje na tekście. 
   Nauczysz się jak wczytywać pliki tekstowe, jak przeszukiwać i wydobywać z nich istotne informacje. Na przykład, analiza opinii klientów w formularzach online, aby wyodrębnić kluczowe uwagi i problemy.
   
   
3. Będziesz pracować z biblioteką Spacy. 
   Zapoznasz się z narzędziem Spacy, które umożliwi Ci zaawansowaną analizę języka naturalnego, taką jak rozpoznawanie części mowy. Na przykład, w branży dziennikarskiej, Spacy może być wykorzystywane do szybkiej analizy artykułów prasowych.
   
   
4. Przygotujesz dane do sieci.
   Oznacza to, że zawsze musisz dostosować swoje sekwencyjne dane w taki sposób, aby były łatwe do analizy przez sieci neuronowe. To jak przygotowanie składników do gotowania. W przypadku danych sekwencyjnych, chodzi o uporządkowanie ich w odpowiedni sposób, aby Twoja sieć neuronowa mogła z nich skutecznie korzystać.
   
   
5. Wykorzystasz tokenizację.
   Nauczysz się dzielić długi tekst na mniejsze jednostki zwane tokenami, co ułatwi Ci analizę i przetwarzanie tekstu.
   
   
6. Przeprowadzisz klasyfikację tekstu. 
   Będziesz analizować teksty i przypisywać im odpowiednie kategorie lub etykiety, co jest przydatne w wielu zastosowaniach, takich jak analiza sentymentu, wykrywanie spamu.
   
   

Jak możesz wykorzystać tę wiedzę w praktyce?

• Analiza sentymentu w mediach: w branży marketingowej, możesz wykorzystać NLP do monitorowania opinii klientów o produkcie na platformach społecznościowych. Dzięki temu zrozumiesz, jakie są oczekiwania i preferencje konsumentów.
  
  
• Medycyna: w dziedzinie opieki zdrowotnej, NLP może pomóc w analizować wywiady medyczne pacjentów. W ten sposób wydobędziesz istotne informacje, które dotyczą diagnoz i leczenia.

W tym module nauczysz się jak pracować z danymi sekwencyjnymi, czyli danymi, które występują w określonej kolejności lub sekwencji. Poznasz rekurencyjne sieci neuronowe (RNN), które są specjalnym rodzajem modeli uczenia maszynowego, zdolnych do analizowania takich danych.

Czego nauczysz się podczas tego bloku?

Po ukończeniu tego bloku:

1. Poznasz przykłady danych sekwencyjnych. 
   W życiu codziennym spotykamy wiele danych, które mają jasno określoną sekwencję, na przykład: zdania w tekście, sekwencje dźwięków w mowie lub pomiary czasowe w szeregach czasowych.
   
   
2. Będziesz wiedzieć, jak działają neurony rekurencyjne. 
   Zgłębisz tajniki neuronów rekurencyjnych, które są wyjątkowe ze względu na swoją zdolność do zapamiętywania wcześniejszych informacji. Dzięki temu, są one w stanie analizować dane z uwzględnieniem kontekstu dostarczonego przez poprzednie elementy sekwencji.
   
   
3. Poznasz sekwencje wejść i wyjść. 
   Dowiesz się, jak przygotować dane sekwencyjne, aby używać ich w modelach RNN, oraz jak interpretować wyniki.
   
   
4. Przygotujesz dane do sieci.
   Oznacza to, że zawsze musisz dostosować swoje sekwencyjne dane w taki sposób, aby były łatwe do analizy przez sieci neuronowe. To jak przygotowanie składników do gotowania. W przypadku danych sekwencyjnych, chodzi o uporządkowanie ich w odpowiedni sposób, aby Twoja sieć neuronowa mogła z nich skutecznie korzystać.
   
   
5. Dowiesz się, jak radzić sobie z problem zapamiętywania długich zależności.
   To tak, jak gdybyśmy mieli do czynienia z długą historią lub złożonymi danymi, które mają specjalne relacje między sobą. W sieciach neuronowych trudno czasem znaleźć takie zależności, ale tu dowiesz się, jak sobie z tym poradzić.
   
   
6. Zbudujesz i zastosujesz komórki LSTM i GRU. 
   Wyobraź sobie, że masz specjalne narzędzia, które pomagają sieciom neuronowym lepiej rozumieć i wykorzystać skomplikowane dane. To jak specjalne baterie do Twojego modelu, które pomagają mu lepiej rozumieć długoterminowe związki.
   
   
7. Dowiesz się, jak działają warstwy osadzone (embedding) i warstwy attention.
   Warstwy osadzone pomagają zamienić skomplikowane informacje w sposób, który Twój model może lepiej przetworzyć. Natomiast warstwy attention lepiej zrozumieć i wykorzystywać informacje. To niczym asystent, który mówi Twojemu modeli, na której części danych ma się skupić.
   
   
8. Będziesz przetwarzać język naturalny.
   Nauczysz swój model rozumieć ludzki język. Przyda Ci się to do analizy emocji w tekście, tłumaczeniu czy nawet do tworzenia własnych tekstów.

Jak możesz wykorzystać tę wiedzę w praktyce?

• E-commerce: przykład danych sekwencyjnych to na przykład historia zakupów klienta online. Tam każde zapytanie o produkt lub dodanie do koszyka jest sekwencją.
  
  
• Medycyna: dzięki temu, że będziesz wiedzieć, na czym polega działanie neuronów rekurencyjnych, przeanalizujesz – na podstawie poprzednich danych medycznych – trendy zdrowotne i przewidzisz możliwe komplikacje.