Zkuste nás kontaktovat

Návrh Školení

Supervizované učení: klasifikace a regrese

  • Strojové učení v Pythonu: úvod do rozhraní API knihovny scikit-learn
    • lineární a logistická regrese
    • support vector machine
    • neuronové sítě
    • random forest
  • Vytvoření kompletního toku práce při řešení problémů supervizovaného učení pomocí scikit-learn
    • práce s datovými soubory
    • doplňování chybějících hodnot
    • zpracování kategoriálních proměnných
    • vizualizace dat

Rámce v Pythonu pro aplikace umělé inteligence:

  • TensorFlow, Theano, Caffe a Keras
  • Použití nástrojů umělé inteligence ve velkém měřítku prostřednictvím Apache Spark: Mlib

Pokročilé architektury neuronových sítí

  • konvoluční neurální sítě pro analýzu obrazů
  • rekurentní neurální sítě určené k zpracování časových řad
  • prvek typu dlouhodobá krátkodobá paměť – LSTM

Nesupervizované učení: shlukování a detekce anomálií

  • implementace principu hlavních složek pomocí scikit-learn
  • návrh autoenkodérů v rámci frameworku Keras

Praktické příklady problémů, které lze řešit pomocí umělé inteligence (cvičení prováděná v notebookách Jupyter), např.

  • analýza obrazů
  • předpovídání složitých finančních řad, jako jsou například cenové vývoje akcií,
  • detekce komplexních vzorů
  • zpracování přirozeného jazyka
  • systémy pro doporučování produktů

Pochopení omezení metod umělé inteligence: typy chyb, náklady a běžné potíže

  • overfitting – nadměrné přizpůsobení modelu trénovacím datům
  • kompromis mezi systematickou chybou a variancí odhadovaných hodnot
  • nestrannost výběru pozorovaných dat
  • zneužití neuronových sítí za účelem sabotáže jejich funkce

Pracovní projekty v rámci kurzu (volitelně)

Požadavky

k absolvování tohoto kurzu nejsou vyžadovány žádné speciální předpoklady.

 28 Hodiny

Počet účastníků


Cena za účastníka

Reference (2)

Nadcházející kurzy

Související kategorie