Kurzy s lektorem

Termín

Jazyk

Místo

Forma

Cena bez DPH

31. 3. - 8. 4. 2025

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: PU21110288-0021

Cena bez DPH

21 990 Kč

Objednat

31. 3. - 8. 4. 2025

Jazyk

Místo

online

Forma

virtuální učebna

Kód vybraného kurzu: PU21110288-0022

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

Umělá inteligence (AI) 19. 12. 2024

AI Act: Školení na AI bude povinné jako BOZP

AI Act je další milník v regulaci umělé inteligence. Od 2. února 2025 musí firmy, které využívají nebo vyvíjejí AI zajistit, aby jejich zaměstnanci byli dostatečně proškoleni v oblasti AI. Školení zaměstnanců o správném používání AI bude podobné školení BOZP.

Umělá inteligence (AI) 15. 11. 2024

Využití AI v praxi: HubSpot zvýšil konverzní poměr leadů

HubSpot je americká společnost specializující se na vývoj softwaru. Má 8 000 zaměstnanců a pobočky v několika zemích světa. Procesy související s generováním a kvalifikací leadů byly časově náročné, a ne vždy efektivní, což snižovalo produktivitu prodeje.