Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Úvod do aplikovaného strojového učení
- Srovnání statistického učení a strojového učení
- Iterace a hodnocení
- Vztah náklonu a rozptylu (bias-variance trade-off)
- Srovnaní dozorovaného a nedozorovaného učení
- Problémy řešené strojovým učením
- Trenink, validace a testování – workflow ML pro předcházení overfittingu
- Workflow strojového učení
- Strojové algoritmy učení
- Výběr vhodného algoritmu k problému
Hodnocení algoritmů
- Hodnocení numerických predikcí
- Míry přesnosti: ME, MSE, RMSE, MAPE
- Přesnost parametrů a predikcí
- Hodnocení klasifikačních algoritmů
- Přesnost a její problémy
- Konfundenční matice (confusion matrix)
- Problém nevyvážených tříd (unbalanced classes problem)
- Vizualizace výkonu modelu
- Zisková křivka (profit curve)
- Křivka ROC
- Lift křivka
- Výběr modelu
- Fine-tuning modelu – strategie grid search
Příprava dat pro modelování
- Import a ukládání dat
- Základní průzkum dat
- Manipulace s daty pomocí knihovny pandas
- Data transformations – úpravy dat (data wrangling)
- Explorativní analýza
- Detekce a řešení chybějících hodnot
- Detekce a strategie řešení odlehlých hodnot (outliers)
- Standardizace, normalizace, binární kódování
- Kódování kvalitativních dat
Algoritmy strojového učení pro detekci odlehlých hodnot (outliers)
- Dozorované algoritmy
- K-nejbližších sousedů (KNN)
- Ensemble Gradient Boosting
- Support Vector Machines (SVM)
- Nedozičované algoritmy
- Vzdálenostní metody
- Hustotové metody
- Pravděpodobnostní metody
- Modelové metody
Porozumění hlubokému učení (deep learning)
- Přehled základních konceptů hlubokého učení
- Rozdíl mezi strojovým a hlubokým učením
- Přehled aplikací hlubokého učení
Přehled neuronových sítí (neural networks)
- Co jsou neuronové sítě
- Srovnaní neuronových sítí a regresních modelů
- Porozumění matematickým základům a učícím mechanismům
- Vytváření umělých neuronových sítí
- Porozumění neuronovým uzlům a spojením
- Práce s neurony, vrstvami a vstupními a výstupními daty
- Porozumění jednovrstvým perceptronům (single layer perceptrons)
- Rozdíl mezi dozorovaným a nedozorovaným učením
- Učení feedforward a feedback neuronových sítí
- Porozumění forward propagation a back propagation
Vytváření jednoduchých modelů hlubokého učení pomocí Kerasu
- Vytvoření modelu v Kerasu
- Porozumění vašim datům
- Specifikace vašeho modelu hlubokého učení
- Kompilace vašeho modelu
- Trenink vašeho modelu
- Práce s daty pro klasifikaci
- Práce s klasifikačními modely
- Použití vašich modelů
Práce s TensorFlow pro hluboké učení
- Příprava dat
- Stažení dat
- Příprava trénovacích dat
- Příprava testovacích dat
- Škálování vstupů
- Použití placeholderů a proměnných
- Specifikace architektury sítě
- Použití funkce nákladu (cost function)
- Použití optimalizátoru (optimizer)
- Použití inicializátorů
- Trenink neuronové sítě
- Vytváření grafu
- Inference
- Ztráta (loss)
- Trenink
- Trenink modelu
- Graf
- Sesíťové prostředí (session)
- Treninková smyčka (train loop)
- Hodnocení modelu
- Vytvoření grafu pro hodnocení (eval graph)
- Hodnocení s výstupy eval
- Trenink modelů ve velkém měřítku
- Vizualizace a hodnocení modelů pomocí TensorBoard
Aplikace hlubokého učení v detekci odlehlých hodnot (anomaly detection)
- Autoencoder
- Architektura enkodér-dekodér
- Ztráta rekonstrukce (reconstruction loss)
- Variational Autoencoder
- Variational inference
- Generative Adversarial Network
- Architektura generátor-diskriminátor
- Přístupy k detekci odlehlých hodnot pomocí GAN
Rámce pro ensemble (ensemble frameworks)
- Kombinace výsledků různých metod
- Bootstrap Aggregating (bagging)
- Příklonové skóre outlierů (outlier score averaging)
Požadavky
- Zkušenosti s programováním v Pythonu
- Základní znalost statistiky a matematických pojmů
Cílová skupina
- Vývojáři
- Data science specialisté
28 hodiny
Reference (5)
Školení poskytlo zajímavý přehled modelů hlubokého učení a souvisejících metod. Téma pro mě bylo docela nové, ale teď mám pocit, že mám vlastně představu o tom, co může AI a ML zahrnovat, z čeho se tyto pojmy skládají a jak je lze výhodně použít. Obecně se mi líbil přístup začínající statistickým pozadím a základními modely učení, jako je lineární regrese, zejména zdůrazněním cvičení mezi nimi.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Anna se vždy ptala, zda existují nějaké otázky, a vždy se nás snažila aktivnějšími kladením otázek, díky čemuž jsme se všichni skutečně zapojili do školení.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Líbilo se mi, jak se to prolíná s praxí.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
Rozsáhlé zkušenosti / znalosti trenéra
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
VM je dobrý nápad
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurz - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Machine Translated
