Machine Learning Bootcamp (CZ)

  • E-KURZ
Nabídka tohoto termínu kurzu již není aktuální. Podobné kurzy naleznete zde
  • Lektor

  • Popis
    Jiří Materna 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.


    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.
  • Místo konání

  • Region:
    ONLINE
  • Adresa:
  • Termín

  • Doba trvání:
    5 dní
Nabídka tohoto termínu kurzu již není aktuální. Podobné kurzy naleznete zde

Popis jazykového e-kurzu Machine Learning Bootcamp (CZ)

Popis kurzu

Jedná se o týdenní intenzivní sérii všech našich kurzů za zvýhodněnou cenu.

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)


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)

Předpoklady

Nejsou třeba žádné předchozí znalosti strojového učení.
Nabídka tohoto termínu kurzu již není aktuální. Podobné kurzy naleznete zde


Spustit e-kurz