Prezenční Online Praha

Machine Learning Bootcamp

Intenzivní pětidenní série všech našich kurzů strojového učení za zvýhodněnou cenu.

Pumpedu

Poskytovatel kurzu

40 hodin

Středně pokročilý

Čeština

AI & Data Science

Externí kurz

21 990 Kč

Přejít na web poskytovatele

Budete přesměrováni na web Pumpedu

Přihlaste se pro uložení

Délka

40 hodin

Formát

Prezenční / Online

Úroveň

Středně pokročilý

Ověřeno

Bezpečné

Hodnoceno

21 990 Kč

Pumpedu

Přejděte na web

Přehled kurzu

Délka

40 hodin

Úroveň

Středně pokročilý

Formát

Prezenční / Online

Místo

Praha

Jazyk

Čeština

Cena

od 21 990 Kč

O 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)

Požadavky

Nejsou třeba žádné předchozí znalosti strojového učení.

Osnova kurzu

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
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
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
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
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)

Kurzem tě provede

Jiří Materna

Lektor Machine Learning College s.r.o

Nejbližší termíny