Návrh Školení
Úvod
Tato sekce poskytuje obecné úvodní informace o tom, kdy využívat 'strojové učení', na co je třeba si dát pozor a co to vše znamená, včetně výhod a nevýhod. Typy dat (strukturovaná/nestrukturovaná/statická/proudová), validita a objem dat, analýzy řízené daty vs. uživatelsky řízené analýzy, statistické modely vs. modely strojového učení, výzvy nenasazeného učení, kompromis mezi chybou a rozptylem, iterace/hodnocení, přístupy křížové validace, nadzorované/nenasazené/učení s posilou.
Hlavní témata
1. Pochopení Naive Bayes
- Základní koncepty bayesovských metod
- Pravděpodobnost
- Spojená pravděpodobnost
- Podmíněná pravděpodobnost s Bayesovou větou
- Algoritmus Naive Bayes
- Klasifikace pomocí Naive Bayes
- Laplaciovský odhadovač
- Použití číselných znaků s Naive Bayes
2. Pochopení rozhodovacích stromů
- Rozděl a nadvlaďuj
- Algoritmus rozhodovacího stromu C5.0
- Výběr nejlepšího rozdělení
- Stříhání rozhodovacího stromu
3. Pochopení neuronových sítí
- Od biologických k umělým neuronům
- Aktivační funkce
- Topologie sítě
- Počet vrstev
- Směr pohybu informací
- Počet uzlů v každé vrstvě
- Trénování neuronových sítí zpětným rozptylem (backpropagation)
- Hluboké učení
4. Pochopení podporních vektorových strojů (SVM)
- Klasifikace pomocí hyperrovin
- Najdenní maximální mezeru
- Případ lineárně oddělitelných dat
- Případ nelineárně oddělitelných dat
- Použití jader (kernels) pro nelineární prostory
5. Pochopení shlukování (clustering)
- Shlukování jako úloha strojového učení
- Algoritmus k-means pro shlukování
- Použití vzdálenosti pro přiřazování a aktualizaci shluků
- Výběr vhodného počtu shluků
6. Měření výkonu klasifikace
- Práce s daty predikce klasifikace
- Důkladnější pohled na matice zmatení (confusion matrices)
- Použití matic zmatení pro měření výkonu
- Mimo přesnost – další metriky výkonu
- Statistika kappa
- Senzitivita a specificita
- Přesnost (precision) a recall
- Opatření F (F-measure)
- Vizualizace kompromisů výkonu
- ROC křivky
- Odhad budoucího výkonu
- Metoda holdout
- Křížová validace
- Bootstrap vzorkování
7. Ladění standardních modelů pro lepší výkon
- Použití knihovny caret pro automatické ladění parametrů
- Vytvoření jednoduchého ladeného modelu
- Přizpůsobení procesu ladění
- Zlepšování výkonu modelu pomocí metaučení
- Pochopení souborů (ensembles)
- Bagging
- Boosting
- Náhodné lesy (Random forests)
- Trénování náhodných lesů
- Hodnocení výkonu náhodných lesů
Další témata
8. Pochopení klasifikace pomocí nejbližších sousedů
- Algoritmus kNN
- Výpočet vzdálenosti
- Výběr vhodného k
- Příprava dat pro použití s kNN
- Proč je algoritmus kNN lenivý?
9. Pochopení klasifikačních pravidel
- Rozděl a nadvlaďuj (Separate and conquer)
- Algoritmus One Rule
- Algoritmus RIPPER
- Pravidla z rozhodovacích stromů
10. Pochopení regrese
- Jednoduchá lineární regrese
- Odhad metodou nejmenších čtverců
- Korelace
- Víceproměnná lineární regrese
11. Pochopení regulačních stromů a modelových stromů
- Přidání regrese do stromů
12. Pochopení asociativních pravidel
- Algoritmus Apriori pro učení asociativních pravidel
- Měření zajímavosti pravidel – podpora a důvěra
- Buildování sady pravidel pomocí Aprioriho principu
Přílohy
- Spark/PySpark/MLlib a Multi-armed bandits
Požadavky
Znalost jazyka Python
Reference (7)
Dovednu jsem si výcvik a oceňuji hlubší pohled na oblast strojového učení. Oceňuji rovnováhu mezi teorií a praktickými aplikacemi, zejména hands-on kódovací sezení. Vedenec poskytl zajímavé příklady a dobře zkonstruované cvičení, které vylepšily učební zážitek. Kurs pokrýval širokou škálu témat a Abhi ukázal vynikající odbornost tím, že odpověděl na všechny otázky s jasností a snadností.
Valentina
Kurz - Machine Learning
Přeloženo strojem
Oceňuji cvičení, které mi pomohlo pochopit teorii a aplikovat ji krok za krokem. Rovněž způsob, jakým vysvětlil instruktor všechno jednoduchými a jasnými slovy, byl velmi přehledný. I když nejsem moc zkušený s Pythonem, nemohl jsem propást příležitost něco naučit se o tématu, které mě skutečně zajímá. Oceňuji také širokou paletu informací poskytnutých a dostupnost instruktora pro vysvětlení a podporu při pochopení konceptů. Po tomto kurzu jsou mi koncepty strojového učení mnohem jasnější, a teď mám pocit, že mám směr a lepší pochopení tématu.
Cristina
Kurz - Machine Learning
Přeloženo strojem
Na konci školení jsem mohl vidět skutečné praktické použití prezentovaných témat.
Daniel
Kurz - Machine Learning
Přeloženo strojem
Oceňuji tempo, rovnováhu mezi teorií a praxí, hlavní témata pokrytá a způsob, jakým vyučující dokázal všechno vyvážit. Rovněž se mi velmi líbila vaše tréninková infrastruktura, je velmi praktická pro práci s virtuálními stroji.
Andrei
Kurz - Machine Learning
Přeloženo strojem
Když je to krátké a jednoduché. Vytváření intuice a vizuálních modelů kolem konceptů (graf rozhodovacího stromu, lineární rovnice, manuální výpočet y_pred pro ukázku, jak model funguje).
Nicolae - DB Global Technology
Kurz - Machine Learning
Přeloženo strojem
Pomohlo mi dosáhnout mého cíle pochopit ML. Velký respekt pro Pavla za to, že poskytl řádné úvodní představení k této tématici, protože se už po 3 dnech vzdělávání stane zřejmým, jak rozsáhlé je toto téma. Velmi jsem si také užil myšlenku virtuálních strojů, které jste poskytl a které měly skvělou latenci! Umožnilo to každému účastníkovi provádět pokusy vlastním tempem.
Silviu - DB Global Technology
Kurz - Machine Learning
Přeloženo strojem
Způsob, jakým se teoretické znalosti proměňují ve praktickou aplikaci, je skvělý.
Lisa Fekade - Vodacom
Kurz - Machine Learning
Přeloženo strojem
