Zkuste nás kontaktovat

Návrh Školení

Úvod

  • Definice prediktivní umělé inteligence
  • Historický kontext a vývoj prediktivní analytiky
  • Základní principy strojového učení a těžby dat

Sběr dat a jejich předzpracování

  • Shromažďování relevantních dat
  • Čištění a příprava dat pro analýzu
  • Rozdíly mezi typy a zdroji dat

Exploratorní analýza dat (EDA)

  • Vizualizace dat za účelem odhalení skrytých informací
  • Popisná statistika a shrnutí dat
  • Identifikace vzorců a souvislostí v datech

Statistické modelování

  • Základy statistického odvození
  • Regresní analýza
  • Klasifikační modely

Algoritmy strojového učení pro předpovídání

  • Přehled algoritmů učení s dohledem
  • Rozhodovací stromy a náhodné lesy
  • Neuronové sítě a základy hlubokého učení

Vyhodnocování a výběr modelů

  • Posuzování přesnosti a metrik efektivity modelů
  • Techniky křížové validace
  • Problém nadměrného přizpůsobení a optimalizace modelů

Praktická využití prediktivní umělé inteligence

  • Konkrétní příklady a studie z různých oborů
  • Etické aspekty prediktivního modelování
  • Omezení a výzvy spojené s prediktivní umělou inteligencí

Praktický projekt

  • Práce s konkrétním datovým souborem při tvorbě prediktivního modelu
  • Využití vytvořeného modelu k generování předpovědí
  • Vyhodnocení a interpretace výsledků analýzy

Shrnutí a další kroky

Požadavky

  • Znalost základní statistiky
  • Praktické zkušenosti s jakýmkoli programovacím jazykem
  • Seznámení se s manipulací dat a práci v tabulkách
  • Předchozí zkušenosti s umělou inteligencí či datovou vědou nejsou vyžadovány

Cílová skupina

  • IT profesionálové
  • Datoví analytici
  • Techničtí pracovníci
 21 Hodiny

Počet účastníků


Cena za účastníka

Reference (3)

Nadcházející kurzy

Související kategorie