Návrh Školení
Úvod do aplikovaného machine learningu
- Statistické učení vs. Machine learning
- Iterace a evaluace
- Komprovis mezi zkreslením a rozptylem (Bias-Variance trade-off)
- Dozorované vs. nedorozované učení
- Problémy řešené pomocí Machine Learningu
- Train Validation Test – workflow ML pro vyhnutí se přeučení (overfitting)
- Workflow Machine Learningu
- Algoritmy machine learningu
- Volba vhodného algoritmu pro daný problém
Evaluace algoritmů
-
Evaluace numerických predikcí
- Míry přesnosti: ME, MSE, RMSE, MAPE
- Stabilita parametrů a predikcí
-
Evaluace klasifikačních algoritmů
- Přesnost a její problémy
- Matice záměn (Confusion matrix)
- Problém nevyvážených tříd
-
Vizuální prezentace výkonu modelu
- Profitová křivka
- ROC křivka
- Lift křivka
- Výběr modelu
- Ladění modelu – strategie grid search
Příprava dat pro modelování
- Import a ukládání dat
- Pochopení dat – základní průzkumy
- Manipulace s daty pomocí knihovny pandas
- Transformace dat – Data wrangling
- Exploratorní analýza
- Chybějící pozorování – detekce a řešení
- Odlehlé hodnoty (Outliers) – detekce a strategie
- Standardizace, normalizace, binarizace
- Překódování kvalitativních dat
Algoritmy machine learningu pro detekci odlehlých hodnot
-
Dozorované algoritmy
- KNN
- Ensemble Gradient Boosting
- SVM
-
Nedorozované algoritmy
- Metody založené na vzdálenosti
- Metody založené na hustotě
- Pravděpodobnostní metody
- Modelové metody
Pochopení deep learningu
- Přehled základních konceptů deep learningu
- Rozdíl mezi machine learningem a deep learningem
- Přehled aplikací deep learningu
Přehled neuronových sítí
- Co jsou neuronové sítě
- Neuronové sítě vs. regrese modely
- Pochopení matematických základů a mechanismů učení
- Konstruování umělé neuronové sítě
- Pochopení neuronových uzlů a spojení
- Práce s neurony, vrstvami a vstupními a výstupními daty
- Pochopení jednostupňových perceptronů
- Rozdíly mezi dozorovaným a nedorozovaným učením
- Učení feedforward a feedback neuronových sítí
- Pochopení forward propagation a back propagation
Budování jednoduchých modelů deep learningu pomocí Keras
- Vytvoření modelu Keras
- Pochopení vašich dat
- Specifikace modelu deep learningu
- Kompilace modelu
- Přizpůsobení modelu (Fitting)
- Práce s klasifikačními daty
- Práce s klasifikačními modely
- Použití vašich modelů
Práce s TensorFlow pro deep learning
-
Příprava dat
- Stáhnutí dat
- Příprava trénovacích dat
- Příprava testovacích dat
- Skalování vstupů
- Použití placeholderů a proměnných
- Specifikace architektury sítě
- Použití funkce ztráty (Cost Function)
- Použití optimalizátoru
- Použití inicializátorů
- Přizpůsobení neuronové sítě
-
Stavba grafu
- Inferenční část
- Ztráta (Loss)
- Trénink
-
Trénink modelu
- Graf
- Session
- Tréninková smyčka (Train Loop)
-
Evaluace modelu
- Stavba evaluačního grafu
- Evaluace pomocí výstupu Eval
- Trénink modelů ve velkém měřítku
- Vizualizace a evaluace modelů pomocí TensorBoard
Aplikace deep learningu v detekci anomalií
-
Autoencoder
- Architektura Encoder - Decoder
- Ztráta rekonstrukce (Reconstruction loss)
-
Variational Autencoder
- Variacionální inference
-
Generative Adversarial Network (GAN)
- Architektura Generator – Discriminator
- Přístupy k AN (anomaly detection) pomocí GAN
Ensemble Frameworks
- Kombinace výsledků z různých metod
- Bootstrap Aggregating
- Průměrování skóre odlehlých hodnot
Požadavky
- Zkušenosti s programováním v jazyce Python
- Základní znalosti statistiky a matematických konceptů
Cílová skupina
- Vývojáři
- Data scientisti
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
