Josef Brechler
Data Scientist / ex-Assistant Director
v Moody´s Analytics
Náš online kurz machine learning je pro tebe příležitost,
jak začít s AI v datové vědě. Spoj své znalosti Pythonu
se silnými základy strojového učení a získej potřebné skills.
Začni s upgradem své IT kariéry a získej náskok.
Kurz Machine learning a AI tě seznámí s koncepty a algoritmy strojového učení. Naučíš se používat knihovny SciPy a scikit-learn, sestavovat datové pipeliny či vytvářet ML modely na datových souborech.
Osvojíš si základy neuronových sítí a velkých jazykových modelů, včetně práce s knihovnou langchain a její integrace do ChatGPT API.
Připravujeme
Kurzem tě provede
Data Scientist / ex-Assistant Director v Moody´s Analytics
—> Úvod, úlohy strojového učení
—> Teoretický úvod optimalizačních úloh
—> Použití knihoven NumPy a SciPy pro vyřešení optimalizační úlohy
—> Optimalizační úloha v případě predikce
—> Algoritmus gradientního sestupu (gradient descent)
—> Teoretický úvod do lineární regrese, metoda nejmenších čtverců
—> Jednoduchá a vícenásobná lineární regrese, interpretace koeficientů
—> Lineární regrese v knihovně scikit-learn
—> Vytvoření predikce
Úkol: Nacvič si model lineární regrese, udělej výpočet predikce, vizualizuj skutečné versus predikované hodnoty a proveď základní diagnostiku modelu.
—> Jednoduchá klasifikační úloha a multi-class klasifikační úloha
—> Modely pro klasifikaci – Logistická regrese, k-nearest neighbors (KNN)
—> Přesnost modelu a chybové metriky
—> Problém nevyváženého souboru dat a metody jeho řešení
—> Základní logika rozhodovacích stromů, pojmy uzel (node), hrana (edge), list (leaf)
—> Příprava dat pro rozhodovací stromy
—> Nácvik modelu rozhodovacího stromu a predikce
—> Analýza nacvičeného stromu
Úkol: Nacvič si model logistické regrese, provede predikci a diagnostiku. Poté se zaměř na nacvičení modelu rozhodovacího stromu.
—> Koncept řetězení operací do pipeliny, výhody využití
—> Objekty typu transformer pro úpravu dat
—> Metody fit, transform
—> Práce s názvy sloupců
—> Význam feature engineeringu pro přesnost modelů
—> Feature engineering jako součást scikit-learn pipeline
—> Datové transformátory využívané v rámci feature engineering – kódování kategorických proměnných, polynomy, převod numerických proměnných
—> Pokročilé techniky pro obsluhu datových pipeline
—> Tvorba vlastních transformátorů
Úkol: Vytvoř si pipeline v knihovně scikit-learn, pracuj s transformátory sloupců a zpracuj kategorické proměnné.
—> Problematické situace v datech – chybějící hodnoty, odlehlá pozorování
—> Metody pro identifikaci problémů v datech
—> Nástroje pro opravu a doplnění dat
—> Přeškálování dat
—> Význam cross-validace modelu pro jeho přesnost a kalibraci hyperparametrů
—> Rozdělení datového souboru na trénovací a testovací množinu dat
—> Rozdělení trénovacího souboru pomocí cross-validace
—> Různé typy cross-validačních technik
Úkol: Identifikuj a ošetř chybějící hodnoty, detekuj a ošetř odlehlé hodnoty, proveď normalizaci dat, vytvoř datovou pipeline s cross-validací a najdi optimální hyperparametry.
—> Úvod do teorie ensemble modelů – bagging, boosting, stacking
—> Algoritmy využívající bagging a boosting (Random Forest, Gradient Boosting Machines, XGBoost, LightGBM)
—> Klasifikační úloha pro více tříd
—> Obecná charakteristika časových řad
—> Modely pro predikci časových řad
—> Feature engineering v časových řadách
—> Cross-validace časových řad
Úkol: Natrénuj a proveď predikce a vyhodnoť model pomocí pokročilého predikčního algoritmu. Dále natrénuj a proveď predikce a vyhodnoť model na datasetu s časovou řadou.
—> Základní pojmy a teorie – neuron, aktivační funkce, backpropagation algoritmus
—> Typologie neuronových sítí
—> Vytvoření neuronové sítě v Pythonu
—> Důvody pro redukci počtu proměnných
—> Metody pro redukci dimenzionality – PCA, t-SNE
—> Zpracování psaného textu pomocí embeddings
Úkol: Natrénuj jednoduchou neuronovou síť a vytvoř embeddings vektoru.
—> Základní teorie týkající se velkých jazykových modelů
—> Knihovna langchain
—> OpenAI API – interakce s ChatGPT pomocí Pythonu
—> Generování informací pomocí Retrieval-Augmented Generation (RAG)
Úkol: Využití knihovny langchain pro práci s velkým jazykovým modelem.
Vyplň registrační formulář a připoj se k nám!
Náš robot_dreams tým se s tebou spojí co nejdříve,
abys získal*a všechny potřebné detaily o obsahu kurzu a jeho ceně.