Kurzy v konkrétním termínu s živým lektorem

Termín

Jazyk

Místo

Forma

Cena bez DPH

14. - 22. 10. 2024

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: PU21110288-0019

Cena bez DPH

21 990 Kč

Objednat

14. - 22. 10. 2024

Jazyk

Místo

online

Forma

virtuální učebna

Kód vybraného kurzu: PU21110288-0020

Cena bez DPH

21 990 Kč

Objednat

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: PU21110288-0003

Cena bez DPH

21 990 Kč

Objednat

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: PU21110288-0004

Cena bez DPH

21 990 Kč

Objednat

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

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

Aktuality ke kurzu

MS Office 24. 8. 2023

Využijte státní příspěvek až 50 tis. Kč na IT kurzy

Je to jednoduché. Vše vyřídíte online. Je to pro všechny. O příspěvek mohou žádat zaměstnanci, podnikatelé i maminky na rodičovské dovolené.

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.

Microsoft 1. 9. 2021

Co je umělá inteligence a proč se jí začít věnovat co nejdříve

Není to tak dávno, kdy byla umělá inteligence (Artificial Intelligence - AI) slovním spojením výlučně z oblasti sci-fi, dnes je však díky cloudovým službám realitou na dosah ruky každého z nás. Ruku v ruce s Azure se naučila mluvit, poslouchat, rozumět a samostatně se rozhodovat a díky tomu všemu pomáhat a ulehčovat nám život. Už dnes je tichým pomocníkem vašich oblíbených e-shopů, či zkušeným rádcem vaší navigace, a zítra může být i mnohem víc – součástí něčeho, co vytvoříte VY!

Více aktualit