Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do aplikovaného strojového učení
- Statistické učení vs. Strojové učení
- Iterace a hodnocení
- Compromise mezi předpojatostí a variabilitou (bias-variance trade-off)
- Supervizované vs. Nesupervizované učení
- Problémy řešené strojovým učením
- Trénink, validace a test – pracovní postup ML pro předcházení přetrenování (overfitting)
- Pracovní postup strojového učení
- Algoritmy strojového učení
- Výběr vhodného algoritmu pro problém
Hodnocení algoritmů
-
Hodnocení numerických predikcí
- Měřítko přesnosti: ME, MSE, RMSE, MAPE
- Stabilita parametrů a predikcí
-
Hodnocení algoritmů klasifikace
- Přesnost a její problémy
- Matice záměn (confusion matrix)
- Problém nerovných tříd (unbalanced classes problem)
-
Vizualizace výkonnosti modelu
- Profitní křivka
- ROC křivka
- Lift křivka
- Výběr modelu
- Tuning modelu – strategie mřížkového hledání (grid search strategies)
Příprava dat pro modelování
- Import a ukládání dat
- Chápání dat – základní průzkumy
- Manipulace s daty pomocí knihovny pandas
- Transformace dat – úpravy dat (data wrangling)
- Průzkumná analýza
- Zjišťování a řešení chybějících hodnot (missing observations)
- Detekce odlehlých hodnot (outliers) – strategie
- Standardizace, normalizace, binarizace
- Kódování kvalitativních dat
Algoritmy strojového učení pro detekci odlehlých hodnot (outliers)
-
Supervizované algoritmy
- KNN
- Ensemble Gradient Boosting
- SVM
-
Nesupervizované algoritmy
- Vzdálenostní metody
- Metody založené na hustotě (density based methods)
- Pravděpodobnostní metody
- Modelové metody
Chápání hloubkového učení
- Přehled základních konceptů hloubkového učení
- Rozdíl mezi strojovým a hloubkovým učením
- Přehled aplikací hloubkového učení
Přehled neuronových sítí
- Co jsou neuronové sítě
- Neuronové sítě vs. Regresní modely
- Chápání matematických základů a učebních mechanismů
- Vytváření umělých neuronových sítí
- Chápání neuronových uzlů a spojení
- Práce s neurony, vrstvami a vstupními a výstupními daty
- Chápání jednovrstevných perceptronů (Single Layer Perceptrons)
- Rozdíly mezi supervizovaným a nesupervizovaným učením
- Využití feedforward a feedback neuronových sítí
- Chápání forward propagation a back propagation
Vytváření jednoduchých modelů hloubkového učení pomocí Kerasu
- Vytváření modelu v Kerasu
- Chápání vašich dat
- Specifikace modelu hloubkového učení
- Kompilace modelu
- Trénink modelu
- Práce s daty klasifikace
- Práce s modelemmi klasifikace
- Použití modelů
Práce s TensorFlowem pro hloubkové učení
-
Příprava dat
- Stažení dat
- Příprava tréninkových dat
- Příprava testovacích dat
- Měření vstupů (scaling inputs)
- Použití zástupců a proměnných (placeholders and variables)
- Specifikace architektury sítě
- Použití funkce nákladů (cost function)
- Použití optimalizátoru
- Použití inicializátorů
- Trénink neuronové sítě
-
Vytváření grafu (building the graph)
- Inferencia
- Ztráta (loss)
- Trénink
-
Trénink modelu
- Graf (The Graph)
- Relace (The Session)
- Tréninková smyčka (Train Loop)
-
Hodnocení modelu
- Vytváření evaluačního grafu (building the eval graph)
- Hodnocení s výstupem evaluace (evaluating with eval output)
- Trénink modelů na velkou měřítku (training models at scale)
- Vizualizace a hodnocení modelů s TensorBoardem
Aplikace hloubkového učení v detekci odlehlých hodnot (anomaly detection)
-
Autoencoder
- Architektura encoder-decoderu
- Ztráta rekonstrukce (reconstruction loss)
-
Variational Autoencoder
- Variační inference
-
Generative Adversarial Network (GAN)
- Architektura generátoru a diskriminátoru
- Přístupy k AN pomocí GAN
Ensembléové frameworky
- Kombinace výsledků různých metod
- Bootstrap Aggregating (bagging)
- Průměrování skóre odlehlých hodnot
Požadavky
- Zkušenosti s programováním v Pythonu
- Základní znalost statistiky a matematických konceptů
Cílová skupina
- Vývojáři
- Data scientists
28 Hodiny
Reference (5)
Školení poskytlo zajímavý přehled o modelách hlubokého učení a souvisejících metodách. Toto téma pro mě bylo docela nové, ale nyní mám pocit, že opravdu vím, co mohou zahrnovat AI a ML, na čem tyto pojmy stojí a jak se dají výhodně využít. Obecně jsem oceňoval přístup s tím, že jsme začínali statistickým pozadím a základními modely učení, jako je lineární regrese, a zejména zdůrazňování cvičení mezi jednotlivými částmi.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Přeloženo strojem
Anna se vždycky ptala, zda máme nějaké otázky, a snažila se nás aktivně zapojit tím, že nám kládla otázky. To všechny skutečně zapojilo do školení.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Přeloženo strojem
Oblíbil jsem si, jak je to spojeno s praktikami.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Přeloženo strojem
Prodloužené zkušenosti a znalosti trénora
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Přeloženo strojem
Virtuální počítač je pěkný nápad.
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Přeloženo strojem
