Zobrazit vše

Časové řady

Kurz je zaměřen na predikci časových řad.
Úroveň
Určeno účastníkům se základními znalostmi a zkušenostmi
středně pokročilý
Délka kurzu
1 den
Jazyk
 cz  eu
Kód kurzu
PU21110287
Machine learning
Kategorie:
Chcete tento kurz na míru pro vaši firmu? Kontaktujte nás

Kurzy v konkrétním termínu s živým lektorem

Termín
Jazyk
Místo
Forma
?
Jak a kde kurz probíhá.
Cena bez DPH
22. 10. 2024 09:00 - 17:00
Jazyk
Místo
online
Forma
virtuální učebna
?
Kurz probíhá online přes počítač a ve stanoveném termínu, lektor je připojen vzdáleně.
Kód vybraného kurzu: PU21110287-0019
Cena bez DPH
4 990 Kč
Otevřený termín
?
Společně se domluvíme na konkrétním datu. Jedná se o nezávaznou objednávku.
Jazyk
Místo
Praha
Forma
učebna
?
Kurz probíhá prezenčně v učebně s lektorem.
Kód vybraného kurzu: PU21110287-0003
Cena bez DPH
4 990 Kč
Otevřený termín
?
Společně se domluvíme na konkrétním datu. Jedná se o nezávaznou objednávku.
Jazyk
Místo
Praha
Forma
učebna
?
Kurz probíhá prezenčně v učebně s lektorem.
Kód vybraného kurzu: PU21110287-0004
Cena bez DPH
4 990 Kč

Popis kurzu

V první části se účastníci seznámí se standardními postupy při modelování a predikci časových řad a vyzkouší si jednoduché postupy na ukázkových příkladech. V další části budou vysvětleny metody strojového učení aplikovatelné při predikci časových řad. Účastníci si vyzkouší sestavit a natrénovat model schopný predikovat složitější časovou řadu z historických dat a ověří schopnost modelu predikovat budoucnost.
 

Požadované znalosti

  • 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.
  • Znalosti strojového učení na úrovni kurzu Úvod do strojového učení.

Obsah kurzu

  • Úvod do teorie časových řad
  • Vybrané postupy modelovaní časových řad (časová a frekvenční doména, spektrální analýza, autokorelace, modely časových řad (ARIMA apod.)
  • Praktický příklad (pandas, základní charakteristiky, jednoduchá predikce)
  • Metody strojového učení pro časové řady (state space metody, hidden markov model, kalman filter, dopředné neuronové sítě, rekurentní neuronové sítě, LSTM)
  • Praktické příklady ilustrující sílu strojového učení (příprava trénovací množiny dle typu úlohy a zvoleného modelu, trénovaní a evaluace)
  • Komplexní scénář predikce časové řady pomocí rekurentní sítě (predikce teploty z vícerozměných vstupních dat: sběr a příprava trénovací množiny, trénování a validace modelu, predikování pomocí naučené sítě)

Lektoři

Dušan Fedorčák
Dušan Fedorčák

Oblasti strojového učení se věnuje více než 10 let. Během svého působení v akademické sféře se zabýval samoorganizací, strojovým učením bez učitele, predikcí časových řad a modelováním dopravy. Od roku 2014 se pohybuje na startupové scéně (GoodAI – výzkum obecné umělé inteligence, Neuron Soundware – zpracování zvuku, CEAI – fintech & NLP).

Chcete tento kurz na míru pro vaši firmu?

Kontaktujte nás

Aktuality ke kurzu

Náhledový obrázek novinky
Machine Learning 18. 3. 2023
Hlavní rozdíly mezi strojovým učením a umělou inteligencí

Strojové učení (ML) a umělá inteligence (AI) jsou příbuzné obory, ale není to totéž. Umělá inteligence je širší obor, který zahrnuje mnoho různých technologií, včetně strojového učení. Přečtěte si, jaké jsou kllíčové rozdíly mezi strojovým učením a umělou inteligencí.

Náhledový obrázek novinky
Machine Learning 3. 6. 2021
Objevte výhody Machine Learning

Machine Learning, česky „strojové učení“ umožňuje společnostem být efektivní, vyhledávat vzory v datech, automatizovat a dělat rozhodnutí s minimálním zásahem člověka. Naučené algoritmy řeší definované úkoly v reálném čase a na základě vstupních dat. Zároveň se na nových datech učí a přizpůsobují se změně podmínek.

Předchozí kurzy

Chcete tento kurz na míru pro vaši firmu?

Kontaktujte nás

Aktuality ke kurzu

Náhledový obrázek novinky
Machine Learning 18. 3. 2023
Hlavní rozdíly mezi strojovým učením a umělou inteligencí

Strojové učení (ML) a umělá inteligence (AI) jsou příbuzné obory, ale není to totéž. Umělá inteligence je širší obor, který zahrnuje mnoho různých technologií, včetně strojového učení. Přečtěte si, jaké jsou kllíčové rozdíly mezi strojovým učením a umělou inteligencí.

Náhledový obrázek novinky
Machine Learning 3. 6. 2021
Objevte výhody Machine Learning

Machine Learning, česky „strojové učení“ umožňuje společnostem být efektivní, vyhledávat vzory v datech, automatizovat a dělat rozhodnutí s minimálním zásahem člověka. Naučené algoritmy řeší definované úkoly v reálném čase a na základě vstupních dat. Zároveň se na nových datech učí a přizpůsobují se změně podmínek.

Proč s námi