Kurzy s lektorem

Termín

Jazyk

Místo

Forma

Cena bez DPH

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: PU21110289-0003

Cena bez DPH

4 990 Kč

Objednat

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: PU21110289-0004

Cena bez DPH

4 990 Kč

Objednat

Popis kurzu

Předpokládá se základní znalost principů na úrovni kurzu Úvod do strojového učení, které se v kurzu využije pro vysvětlení pokročilejších architektur a technik. Zvláštní pozornost bude věnována možnostem interpretovatelnosti modelů strojového učení.

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

Architektury neuronových sítí (feed-forward, rekurentní, konvoluční, generativní, autoenkodéry, Unet, GAN, attention layer)
Optimalizátory a jejich evoluce (Steepest Gradient Descent, Stochastic Gradient Descent, Mini-Batch Gradient Descent, Nesterov Accelerated Gradient, Adagrad, AdaDelta, Adam, hledání učicích koeficientů)
Chybové funkce a jejich vlastnosti (Mean squared error, Mean absolute error, Negative Log Likelihood)
Regularizace neuronových sítí (Dropout, Early stopping, Data augmentation, Batch and layer normalization)
Inicializace neuronových sítí (Gradient vanishing problem, Zero initialization, He initialization, Xavier initialization)
Semi-supervised learning (Pseudo Labeling, Mean-Teacher, PI-Model)
Odhad spolehlivosti predikcí (Logit analysis, Confidence networks)
AutoML (automatické hledání hyperparametrů, grid search, Bayesian optimization, meta-learning, automatické hledání architektur neuronových sítí)
Praktické příklady s knihovnou AutoKeras
Interpretovatelnost modelů strojového učení (přímo interpretovatelné modely, Partial Dependence Plot, Permutation feature importance, Surrogate models, Activation Maximization, Grad-CAM)

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

Umělá inteligence (AI) 29. 10. 2026

Firemní AI školení s dotací Úřadu práce

Naučíme vaše zaměstnance používat ChatGPT, Claude, Microsoft 365 Copilot a další AI nástroje na jejich vlastní práci. Firemní AI školení od Pumpedu splňuje podmínky programu Úřadu práce ČR „Vzdělávání pro firmy“, takže většinu nákladů vám může pokrýt příspěvek – až 478,19 Kč za každou hodinu a účastníka

Umělá inteligence (AI) 2. 10. 2026

Jak nasadit AI ve firmě a získávat konzistentní výsledky: webinář zdarma

Řada firem má za sebou první pokusy s AI a chce ji zapojit do skutečných procesů. A právě tady často narazí: řešení, které v pilotu fungovalo, vrací v provozu den ode dne trochu jiný výsledek. Na bezplatném online webináři se dozvíte, proč se to děje, kde vede hranice mezi jazykovým modelem a obyčejným kódem a jak díky správnému nasazení výrazně ušetřit na provozu.

Microsoft 20. 8. 2026

Adopce AI ve firmě: co dělat, aby licence na Copilot nebyly vyhozené peníze

Microsoft 365 Copilot dnes používá naprostá většina velkých i středních firem, přesto ho v běžné praxi otevírá jen zlomek zaměstnanců, kteří k němu mají přístup. Firmy tak platí za licence, které nikdo pořádně nevyužívá. V článku se podíváme, proč tahle mezera vzniká, co o ní říkají dostupná data a jak ji vedení firem a HR mohou reálně zavřít.

Více aktualit