Úvod do strojového učení (CZ)

  • E-KURZ
Nabídka tohoto termínu kurzu již není aktuální. Podobné kurzy naleznete zde
  • Lektor

  • Popis

    Jiří Materna - Je specialista na strojové učení se zkušenostmi s jeho aplikacemi v průmyslu od roku 2007. Mezi lety 2008 a 2017 pracoval ve společnosti Seznam.cz, z toho posledních 7 let jako vedoucí výzkumného oddělení. Nyní pracuje na volné noze, nabízí vývoj machine learning řešení na míru, organizuje konferenci Machine Learning Prague a píše blog ML Guru.
  • Místo konání

  • Region:
    Online
  • Adresa:
  • Termín

  • Doba trvání:
    2 dny
Nabídka tohoto termínu kurzu již není aktuální. Podobné kurzy naleznete zde

Popis e-kurzu Úvod do strojového učení (CZ)

Popis kurzu

Jedná se o úvodní kurz pro začátečníky, kteří se strojovým učením nemají žádné zkušenosti a chtějí udělat první kroky k jeho praktickému používání.

Účastníci se dozvědí, co je to strojové učení, jaké typy strojového učení se v praxi nejčastěji používají a jak jednotlivé algoritmy fungují. Nebudeme se zabývat přesným matematickým popisem, ale spíše intuitivním porozuměním, které je nezbytné pro efektivní používání a správnou volbu různých nástrojů a knihoven. Velkou pozornost věnujeme způsobům vyhodnocení natrénovaných modelů, problémům s přeučováním, přípravě dat a praktickým poznatkům, které se ve škole nedozvíte.



Každý účastník si s využitím open source knihoven prakticky vyzkouší naprogramovat jednoduché algoritmy pro klasifikaci, regresi a detekci anomálií.

Obsah kurzu

Den 1.

  • Co je to strojové učení

  • Typy strojového učení (klasifikace, regrese, řazení, reinforcement learning, clustering, detekce anomálií, doporučování, optimalizace)

  • Příprava data (rozdělení datových množin, vyváženost dat, šumy v datech, normalizace a standardizace atributů, rozpoznání přeučování a obrana proti němu)

  • Evaluace modelů pro klasifikace (accuracy, precision, recall, matice záměn, ROC křivka, AUC)

  • Základní algoritmy pro klasifikaci (baseline modely, naivní bayesovský klasifikátor, logistická regrese, Support Vector Machines, rozhodovací stromy, ensemble metody)

  • Rychlotutoriál scikit learn (načítání a transformace dat, trénování modelů a predikce, pipelines, evaluace)

  • Praktická úloha na klasifikaci

  • Základní algoritmy pro regresi (analytické metody, gradient descent, SVR, regresní stromy)

  • Evaluace regresních modelů (mean squared error, absolute squared error)

  • Praktická úloha na regresi


Den 2.


  • Základní algoritmy pro shlukování (K-means, hierarchické shlukování, metody pro určení počtu shluků)

  • Praktická úloha na shlukování

  • Úvod do neuronových sítí (proč jsou populární, výhody/nevýhody, perceptron)

  • Nejpoužívanější aktivační funkce (Sigmoid, Linear, Tanh, Relu, Softmax)

  • Vícevrstvé sítě (Algoritmus zpětné propagace chyby a stochastic gradient descent, konvoluce, pooling a regularizace)

  • Trénování neuronových sítí (epocha, iterace, batch learning)

  • Rychlotutoriál Keras (instalace TensorFlow + Keras, návrh sekvenčního modelu, optimalizátory a trénování, způsob práce s daty)

  • Praktické úlohy na klasifikaci a regresi pomocí neuronových sítí

Předpoklady


  • Základní znalost programování v Pythonu

  • Středoškolské znalosti lineární algebry, matematické analýzy a teorie pravděpodobnosti. Bude předpokládáno základní porozumění pojmům jako vektor, matice, vektorový prostor, pravděpodobnost, podmíněná pravděpodobnost, nezávislost náhodných jevů a znalost násobení matic a derivace funkcí.

Návaznosti

Zpracování přirozeného jazyka
Nabídka tohoto termínu kurzu již není aktuální. Podobné kurzy naleznete zde
Spustit e-kurz