W danych dostępnych w Internecie tkwi ogromny potencjał – poddane obróbce i analizie, są źródłem cennych informacji, niezbędnych do badań rynku, personalizowania treści, przewidywania trendów i monitorowania działań konkurencji. W posiadaniu takiej wiedzy chce być prawdopodobnie każda firma... tylko jak ją zdobyć? Do pozyskiwania ustrukturyzowanych danych z różnych źródeł w Internecie służy technika zwana scrapingiem danych.
W celu uzyskania jeszcze lepszych rezultatów biznesowych często łączy się ją z uczeniem maszynowym. Razem otwierają przed światem nowe możliwości rozwoju w postaci automatyzacji zbiorów treningowych czy tworzenia coraz bardziej złożonych modeli maszynowych, przetwarzających różnorodne typy danych. Umiejętne połączenie machine learning i scrapingu pomaga usprawnić klasyfikację, prognozowanie i cały proces trenowania sieci na dużych zbiorach danych. Być może te pojęcia brzmią nieco abstrakcyjnie, ale efekty ich działań nie są nam obce. Zderzamy się z nimi codziennie, choćby wtedy, gdy otrzymujemy personalizowane reklamy, oferty i rekomendacje.
Co Cię czeka podczas proponowanego kursu?
💾Poznasz zasady formatowania kodu w Pythonie, zgodnie ze standardem PEP 8
💾Dowiesz się, czym jest zdrapywanie danych i kiedy jest legalne
💾Za pomocą sterownika Selenium nauczysz się scrapingu danych stron ładowanych dynamicznie
💾Opanujesz podstawy uczenia maszynowego – teorię i matematykę sieci neuronowych
💾Za pomocą biblioteki TensorFlow utworzysz prostą sieć neuronową
💾Przetestujesz utworzoną sieć na zbiorze danych z biblioteki scikit-learn
💾Utworzysz funkcję do diagnostyki wyników zwracanych przez sieć
Kombinacja machine learning i scrapingu pozwala na tworzenie zaawansowanych rozwiązań analitycznych, prognozowych i automatyzacyjnych, a programistom ułatwia osiąganie wielu celów od początku do końca – od pozyskania danych po wyciągnięcie z nich nowej informacji. Obie technologie są dziś powszechnie stosowane w przemyśle, a kwalifikacje z obszaru inżynierii danych to istotny atut na rynku pracy.