MATEMATIKA & STATISTIKA PRO DATA SCIENCE | Živý online kurz s odborníkem na datovou analytiku | robot_dreams Czech
To chci!
< online kurz > < 6 týdnů >

Matematika & statistika
pro data science

Jan Kohout

Senior Data Scientist
ve start-upu TruU

čti více
formát:12 online lekcí
doba trvání:

31. 7. 2023 – 6. 9. 2023

 

Kurz aplikované statistiky na datovou vědu pro softwarové inženýry, junior datové analytiky, data scientisty a absolventy informatických a matematických oborů na VŠ.

Matematika je nepostradatelnou součástí strojového učení a datové analýzy. Vaše získané dovednosti budete moci účinně uplatnit při řešení skutečných datových problémů.

Kurz je vhodný pro:
Softwarové inženýry

Už jste se s nástroji strojového učení setkali, ale rádi byste jim porozuměli více? Rozšiřte své profesní znalosti o hlubší pochopení v oboru matematika pro strojové učení a datovou vědu.

Junior datové analytiky

Chcete proniknout hlouběji do matematických a statistických konceptů nezbytných pro datovou analýzu? Vypracujte reálné úlohy a získejte zpětnou vazbu od odborného lektora.

Absolventy VŠ (informatika nebo matematika)

Matematika a statistika pro datovou vědu. Tohle všechno už znáte ze školy. Jak ale nastartovat kariéru? Prohlubte své znalosti a zjistěte, jak je uplatnit v praxi.

O kurzu:

Někdy může být složité aplikovat teoretické znalosti do praxe. Náš kurz matematiky a statistiky pro datovou vědu vám zprostředkuje hluboké pochopení matematických a statistických konceptů. Zároveň se naučíte aplikovat nové dovednosti na reálné problémy.

Po absolvování kurzu budete schopni používat matematické a statistické principy k analýze dat. Porozumíte technikám a konceptům data science a budete schopni je prakticky využít, a to jak manuálně, tak za pomoci programovacích jazyků. Osvojíte si základy programování v jazyce Python a naučíte se využívat knihovny pro data science.

Highlights
01
Matematické a statistické dovednosti

Pochopíte základy pravděpodobnosti, naučíte se odhadovat parametry, proberete klasifikaci a regresi a porozumíte základním principům generativních modelů.

02
Porozumění datové vědě

Získáte hlubší porozumění pro techniky a koncepty datové vědy. Naučíte se správně interpretovat získané výsledky a hledat problematická místa ve vlastních řešeních.

03
Aplikace matematiky a statistiky

Aplikujete matematické a statistické koncepty na reálné datové soubory a problémy, a to jak ručně, tak s pomocí programovacího jazyka Python.

Lektor
Jan Kohout
Senior Data Scientist ve start-upu TruU, kde se věnují využití umělé inteligence pro autentizaci uživatelů bez použití hesel.
Je absolventem teoretické informatiky na Matematicko-fyzikální fakultě UK a doktorského studia na FEL ČVUT se zaměřením na využití strojového učení pro zabezpečení počítačových sítí.
Ve společnosti Cisco Systems pracoval 9 let na návrhu algoritmů pro detekci anomálií, bezpečnostních incidentů a modelování chování za pomocí umělé inteligence.
Je (spolu)autorem odborných článků a patentů z oblasti využití strojového učení v bezpečnosti s několika stovkami citací.
Program kurzu
01
pondělí 31. července, 19:00 - 20:30
Úvod, základy jazyka Python, základní knihovny
  • Přehled a cíle kurzu
  • Proč je matematika/statistika potřebná pro datovou analýz
  • Základy Pythonu – proč Python, Jupyter notebook, základní konstrukce, datové struktury a knihovny pro data science (numpy, MatPlotLib), conda/pip, odevzdávání úkolů

  • Úkol: Instalace Jupyter notebook, “Hello, World!” notebook
02
středa 2. srpna, 19:00 - 20:30
První kroky při analýze dat
  • Knihovna Pandas, struktura DataFrame
  • Základní charakteristiky – průměr, modus, median, matice dat...
  • Vizualizace dat

  • Úkol: Instalace Jupyter notebooku, vizualizace závislosti dvou veličin
03
pondělí 7. srpna, 19:00 - 20:30
Základy pravděpodobnosti
  • Pravděpodobnost, statistika, náhodné jevy, pravděpodobnostní prostor, (ne)závislost jevů
  • Empirický odhad pravděpodobnosti, histogram, vizualizace
  • Množiny – operace, Vennovy diagramy, vztah ke kombinatorice a pravděpodobnosti
  • Podmíněná pravděpodobnost, Bayesova věta, Naivní Bayesovský klasifikátor (NBC)

  • Úkol: Načtení datasetu v Pandas, odhad pravděpodobnosti z dat
04
středa 9. srpna, 19:00 - 20:30
Náhodné veličiny
  • Základní pojmy – distribuční funkce, rozdělení pravděpodobnosti, spojité X diskrétní veličiny
  • Charakteristiky náhodné veličiny – střední hodnota, rozptyl, entropie, korelace náhodných veličin
  • Vybraná známá rozdělení, náhodné generátory dat
05
pondělí 14. srpna, 19:00 - 20:30
Modelování pravděpodobnosti, detekce anomálií
  • Připomenutí empirického odhadu pravděpodobnosti, vztah k histogramu a využití k odhadu distribuční funkce
  • „Kernel density estimation“ (KDE), vícerozměrná data
  • Odhad hustoty pravděpodobnosti pomocí k-nejbližších sousedů
  • Detekce anomálií na základě pravděpodobnosti, příklady

  • Úkol: Návrh a implementace pravděpodobnostního detektoru anomálií
06
středa 16. srpna, 19:00 - 20:30
Odhadování parametrů, testování hypotéz
  • Bodový vs. intervalový odhad parametru, konfidenční interval
  • Odhad na základě maximální věrohodnostiy
  • Centrální limitní věta
  • Statistické testy, p-hodnota, příklady
07
pondělí 21. srpna, 19:00 - 20:30
Klasifikace a regrese – učení, příprava dat, metody
  • Rozdíl klasifikace vs. regrese, příklady klasifikátorů
  • Princip učení klasifikátorů, příprava trénovacích dat
  • Příklady klasifikátorů a jejich principy – připomenutí NBC, rozhodovací stromy, k-NN, lineární klasifikátor
08
středa 23. srpna, 19:00 - 20:30
Vyhodnocení a porovnávání klasifikátorů
  • Vyhodnocení kvality klasifikátoru, příprava testovacích dat
  • Křížová validace
  • ROC křivka – význam, sestavení, interpretace
  • Porovnání více klasifikátorů, vztah k testování hypotéz

  • Úkol: Vyhodnocení kvality klasifikátorů na vybrané klasifikační úloze
09
pondělí 28. srpna, 19:00 - 20:30
Regrese – metody, vyhodnocení
  • Příklady regresní analýzy – základní pojmy
  • Příklady metod – lineární regrese, logistická regrese
  • Učení, měření chyby

  • Úkol: Příklad na regresi
10
středa 30. srpna, 19:00 - 20:30
Reprezentace dat, generativní modely (přehledově)
  • Reprezentace dat pro zpracování algoritmy klasifikace/regrese – vektorizace textových dokumentů, obrázků apod.
  • Učení reprezentacía
  • Generování dat pomocí modelů – základní principy
11
pondělí 4. září, 19:00 - 20:30
Postup při řešení úlohy, shrnutí, zadání závěrečného úkolu
  • Příklad řešení úlohy „od začátku do konce“, upozornění na problémy
  • Shrnutí kurzu
  • Zadání závěrečného úkolu

  • Úkol: Závěrečná úloha
12
středa 6. září, 19:00 - 20:30
Workshop a diskuze s lektorem o závěrečném projektu, Q&A, pracovní trh
 
Získat více informací

Vyplň registrační formulář a připoj se k nám!
Náš tým konzultantů z robot_dreams Czech se s tebou spojí co nejdříve,
abys získal všechny potřebné detaily o obsahu kurzu a jeho ceně.

 
 
 
 
Kliknutím na tlačítko "Získat více informací" souhlasím se Zásadami ochrany osobních údajů a Všeobecnými smluvními podmínkami.