Od Software Engineer do ML Practitioner: Modelowanie i Dane

Szkolenie prowadzi uczestników przez kompletny proces budowy rozwiązań predykcyjnych w oparciu o dane tabelaryczne.

Począwszy od właściwego zdefiniowania problemu biznesowego, przez przygotowanie danych i inżynierię cech, aż po trening oraz rzetelną ewaluację modeli (ze szczególnym naciskiem na XGBoost i modele drzewiaste). Pracujemy w podejściu data-first: najpierw weryfikujemy, czy dane „niosą” informację o problemie, a dopiero potem dobieramy algorytm.

W trakcie szkolenia uczestnicy nauczą się:

• Dobierać podejście do problemu: kiedy wystarczy klasyczny ML (np. XGBoost/Sklearn), a kiedy sens mają gotowe usługi AI/LLM – wraz z kryteriami decyzji i konsekwencjami biznesowymi.
• Rozpoznawać typ zadania i dobrać narzędzia: klasyfikacja, regresja, ranking, clustering – jak dopasować technikę do celu i danych.
• Przekładać cel biznesowy na definicję sukcesu modelu: target, metryka techniczna, progi decyzyjne i koszt błędów.
• Przeprowadzać EDA i weryfikować hipotezy: statystyka opisowa, korelacje, rozkłady, wykrywanie sygnału vs. szumu w danych.
• Przygotowywać dane do modelowania: imputacja braków, obsługa outlierów oraz porządkowanie jakości i reprezentatywności danych.
• Projektować i budować cechy (feature engineering): transformacje dat, kategorii i tekstu do postaci użytecznej dla algorytmów.
• Prowadzić trening w sposób kontrolowany: podział train/val/test, unikanie overfittingu i praktyczne podejście do walidacji.
• Interpretować i komunikować wyniki: macierz pomyłek, ROC, Precision/Recall – co mówią o jakości i „rodzaju” błędów modelu oraz jak podejmować decyzje wdrożeniowe na ich podstawie.