Zobrazit vše
Přihlášení
0
Košík
0 Kč
Přihlášení
0
Košík
0 Kč
Pumpedu Umělá inteligence (AI) Machine Learning Bootcamp

Machine Learning Bootcamp

Jedná se o týdenní intenzivní sérii všech našich kurzů za zvýhodněnou cenu.
Úroveň
Určeno účastníkům bez znalostí a zkušeností
základní
Délka kurzu
5 dnů
Jazyk
cz eu
Kód kurzu
KT21110288
Umělá inteligence (AI)
Kategorie:
Umělá inteligence (AI) Machine learning
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
12. - 21. 6. 2023
Jazyk
Místo
online
Forma
virtuální učebna
?
Kurz probíhá online přes počítač a ve stanoveném termínu, lektor je připojen vzdáleně.
Kód vybraného kurzu: KT21110288-0014
Cena bez DPH
17 990 Kč
Objednat
Otevřený termín
Jazyk
Místo
Praha
Forma
učebna
?
Kurz probíhá prezenčně v učebně s lektorem.
Kód vybraného kurzu: KT21110288-0003
Cena bez DPH
17 990 Kč
Objednat
Otevřený termín
Jazyk
Místo
Praha
Forma
učebna
?
Kurz probíhá prezenčně v učebně s lektorem.
Kód vybraného kurzu: KT21110288-0004
Cena bez DPH
17 990 Kč
Objednat

Chcete tento kurz na míru pro vaši firmu?

Kontaktujte nás

Popis kurzu

Balíček obsahuje:
  • Úvod do strojového učení (2 dny)
  • Zpracování přirozeného jazyka (1 den)
  • Konvoluční neuronové sítě a zpracování obrazu (1 den)
  • Časové řady (1 den)

Požadované znalosti

Nejsou třeba žádné předchozí znalosti strojového učení.

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
Den 3.
  • Úvod do zpracování přirozeného jazyka
  • Vybrané kapitoly z komputační ligvistiky (korpusy, tokenizace, morfologická, syntaktická a sémantická analýza, entropie, mutual information, perplexita)
  • Vektorizace textových dokumentů (bag of words, one-hot encoding, TF-IDF)
  • Word embedding (word2vec)
  • Praktická úloha na klasifikaci textů
  • Word embedding (vytvoření word2vec modelů a experimenty s vektorovými reprezentacemi slov)
  • Úvod do jazykových modelů (n-gramové modely, vyhlazování, modely založené na neuronových sítích)
  • Praktická úloha na jazykové modelování (implementace jazykových modelů a jejich využití pro detekci jazyka textu)
  • Úprava algoritmu pro generování textů
Den 4.
  • Zpět do historie (od biologické intuice přes ruční návrh atributů až k LeCunovi a Krizhevskému)
  • Co je konvoluce a proč funguje
  • PyTorch (jak postavit jednoduchou konvoluční síť)
  • Praktický příklad na klasifikaci Fashion MNIST datasetu
  • Co je MSCOCO
  • Seznámení s ResNetem
  • Vizualizace neuronových sítí
  • Klasifikace obrázků do tříd
  • Jak na špinavá data
Den 5.
  • 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

Jiří Materna
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.

 

Chcete tento kurz na míru pro vaši firmu?

Kontaktujte nás

Proč s námi

Online školení, classroom kurzy, e-Learning, webináře, atd.
Tvoříme vlastní kurzy, které jinde nekoupíte
Zkušený tým odborníků
Nástroj na správu kurzů a zaměstnanců