Návrh Školení
Úvod
Tato sekce poskytuje obecný úvod do tématu, kdy je vhodné použít 'strojové učení', na co je třeba dbát a co to vše znamená, včetně výhod a nevýhod. Datové typy (strukturované/nestrukturované/statické/streamované), platnost a objem dat, analytika řízená daty versus řízená uživatelem, statistické modely versus modely strojového učení, výzvy nepřesného učení, kompromis mezi biasem a variancí, iterace/evaluace, přístupy křížové validace, nadzorované/přesné/výchozí učení.
HLAVNÍ TÉMATA
1. Pojetí algoritmu Naive Bayes
- Základní koncepty bayesovských metod
- Pravděpodobnost
- Spolu-pravděpodobnost (Joint probability)
- Kondicionální pravděpodobnost s použitím Bayesova věty
- Algoritmus Naive Bayes
- Klasifikace pomocí Naive Bayes
- Laplaceův odhad
- Použití numerických vlastností s Naive Bayes
2. Pojetí rozhodovacích stromů
- Rozděl a panuj (Divide and conquer)
- Algoritmus rozhodovacích stromů C5.0
- Výběr nejlepšího rozdělení
- Pruning (odstraňování větví) rozhodovacího stromu
3. Pojetí neuronových sítí
- Od biologických k umělým neuronům
- Apikační funkce
- Topologie sítě
- Počet vrstev
- Směr toku informace
- Počet uzelů v každé vrstvě
- Výcvik neuronových sítí pomocí zpětného šíření chyby (backpropagation)
- Hluboké učení
4. Pojetie podpůrných vektorů (Support Vector Machines)
- Klasifikace pomocí nadploch
- Nalezení maximální mezery (margin)
- Případ lineárně oddělitelných dat
- Případ nelineárně oddělitelných dat
- Použití jaderných funkcí pro nelineární prostory
5. Pojetí shlukování
- Shlukování jako úloha strojového učení
- Algoritmus k-means pro shlukování
- Použití vzdálenosti při přiřazování a aktualizaci shluků
- Výběr vhodného počtu shluků
6. Měření výkonu pro klasifikaci
- Práce s daty předpovědí klasifikace
- Podrobnější pohled na zmatkové matice
- Použití zmatkových matic pro měření výkonu
- Více než přesnost – další míry výkonu
- Kappova statistika
- Specificita a senzitivita
- Přesnost a úplnost (Precision a recall)
- F-míra
- Visualizace kompromisů ve výkonu
- Křivky ROC
- Odhad budoucího výkonu
- Metoda hold-out
- Křížová validace
- Bootstrapové vzorkování
7. Ladění základních modelů pro lepší výkon
- Použití balíčku caret pro automatizované ladění parametrů
- Vytvoření jednoduchého laděného modelu
- Úprava procesu ladění
- Zlepšení výkonu modelu pomocí meta-vyučování
- Pojetí ensemblů
- Bagging
- Boosting
- Přesná lesní (Random forests)
- Výcvik přesných lesů
- Evaluace výkonu přesných lesů
VEDLEJŠÍ TÉMATA
8. Pojetí klasifikace pomocí nejbližších sousedů
- Algoritmus kNN
- Výpočet vzdálenosti
- Výběr vhodného k
- Příprava dat pro použití s kNN
- Proč je algoritmus kNN 'lenoch?'
9. Pojetí pravidel klasifikace
- Separate a conquer
- Algoritmus One Rule
- Algoritmus RIPPER
- Pravidla z rozhodovacích stromů
10. Pojetí regrese
- Jednoduchá lineární regrese
- Odhad metodou nejmenších čtverců
- Korelace
- Více lineární regrese
11. Pojetí regresečních stromů a modelových stromů
- Přidání regrese ke stromům
12. Pojetí asociačních pravidel
- Algoritmus Apriori pro učení asociačních pravidel
- Měření zájmu o pravidlo – podpora a důvěra
- Sestavení sady pravidel s použitím principu Apriori
Doplňkové informace
- Spark/PySpark/MLlib a multi-armed bandits
Požadavky
Znalost programovacího 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
