Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod
Tato část poskytuje obecný úvod o tom, kdy použít „strojové učení“, co je třeba vzít v úvahu a co to všechno znamená, včetně výhod a nevýhod. Datové typy (strukturované/nestrukturované/statické/streamované), validita/objem dat, data řízená vs. uživatelsky řízená analytika, statistické modely vs. modely strojového učení/výzvy učení bez dozoru, kompromis odchylky-variance, iterace/hodnocení, křížové validační přístupy , pod dohledem/bez dozoru/posílení.
HLAVNÍ TÉMATA
1. Pochopení naivní Bayes
- Základní pojmy bayesovských metod
- Pravděpodobnost
- Souhrnná pravděpodobnost
- Podmíněná pravděpodobnost s využitím Bayesova teorému
- Algoritmus naivního Bayesa
- Klasifikace pomocí naivního Bayese
- Laplaceův odhad
- Používání numerických vlastností s naivním Bayesem
2. Pochopení rozhodovacích stromů
- Rozdělovat a vládnout
- C5.0 algoritmus rozhodovacích stromů
- Výběr nejlepšího rozdělení
- Řezání rozhodovacího stromu
3. Pochopení neuronových sítí
- Z biologických k umělým neuronům
- Aktivační funkce
- Síťová topologie
- Počet vrstev
- Počet uzlů v každé vrstvě
- Trénink neuronových sítí pomocí backpropagation
- Deep Learning
4. Pochopení podpůrných vektorových strojů
- Klasifikace pomocí hyperrovin
- Nalezení maximálního okraje
- Případ lineárně separovatelných dat
- Případ ne-lineárně separovatelných dat
- Použití jader pro ne-lineární prostory
5. Pochopení shlukování
- Shlukování jako úloha strojového učení
- K-means algoritmus pro shlukování
- Použití vzdálenosti k přiřazování a aktualizaci shluků
- Výběr vhodného počtu shluků
6. Měření výkonu pro klasifikaci
- Práce s daty predikcí klasifikace
- Přiblížené pohledy na matice konfuze
- Použití matic konfuze k měření výkonu
- Víc než jen přesnost – další měřítka výkonu
- Kappa statistika
- Citlivost a specifickita
- Přesnost a sensitivity
- F-měřítko
- Vizuální představení obchodních výhod výkonu
- Křivky ROC
- Odhad budoucího výkonu
- Metoda holdout
- Křížová validace
- Bootstrap vzorkování
7. Ladění modelů pažby pro lepší výkon
- Použití caretu pro automatické ladění parametrů
- Vytvoření jednoduchého laděného modelu
- Personalizace procesu ladění
- Zlepšování výkonu modelu pomocí meta-učení
- Pochopení ensemblů
- Bağging
- Boosting
- Náhodné lesy
- Trénink náhodných lesů
- Hodnocení výkonu náhodných lesů
MENŠÍ TÉMATA
8. Pochopení klasifikace pomocí nejbližších sousedů
- KNN algoritmus
- Výpočet vzdálenosti
- Výběr vhodného k
- Příprava dat pro použití s KNN
- Proč je KNN algoritmus lenivý?
9. Pochopení klasifikačních pravidel
- Rozdělovat a vládnout
- Jedno pravidlo algoritmu
- RIPPER algoritmus
- Pravidla z rozhodovacích stromů
10. Pochopení regrese
- Jednoduchá lineární regrese
- Obyčejné nejmenší čtverce odhadu
- Korelace
- Vícekroková lineární regrese
11. Porozumění regresním stromům a modelovým stromům
- Přidání regrese do stromů
12. Pochopení asociačních pravidel
- Apriori algoritmus pro učení asociačních pravidel
- Měření zájmu o pravidla – podpora a důvěryhodnost
- Vytvoření sady pravidel pomocí principu Apriori
Extra
- Spark/PySpark/MLlib a Multi-armed bandits
Požadavky
Python znalosti
21 hodiny
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
