Kurzy s lektorem

Termín

Jazyk

Místo

Forma

Cena bez DPH

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: KT21110289-0003

Cena bez DPH

4 990 Kč

Objednat

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: KT21110289-0004

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) 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.