Online kurz Machine Learning s Pythonem | robot_dreams Czech
  • < online kurz >
  • < 14 lekcí >
  • < začíná 6. 3. >
Оксана Носенко

Josef Brechler

Data Scientist / ex-Assistant Director
v Moody´s Analytics

Machine learning
& AI

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.

Rezervuj si místo

O kurzu:

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.

  • 7 týdnů
  • Deep dive do ML
  • Základy neuronových sítí

Kurz je vhodný pro:

Analytiky, BI analytiky a výzkumné pracovníky
  • Naučíš se pracovat s nástroji v Pythonu a zefektivnit vlastní práci v analýze dat.
  • Poznáš aplikace a techniky ML na praktických příkladech.
  • Naučíš se používat validační techniky při experimentech s využitím ML.
SW inženýry, programátory, databázové specialisty
  • Naučíš se řešit problémy v produkčním prostředí.
  • Zjistíš, jak optimalizovat výpočetní nároky a dosáhnout výsledků s ML modely.
  • Budeš používat statistické koncepty a rozumět vývoji a údržbě ML modelů.
BI, Risk, IT Product a Innovation managery
  • Poznáš přínosy i rizika ML technologií.
  • Seznámíš se s aplikacemi pro IT management.
  • Naučíš se implementovat ML řešení a rozhodnout o jejich využití.

Připravujeme

Chci se přihlásit

Kurzem tě provede

Josef Brechler

Data Scientist / ex-Assistant Director v Moody´s Analytics

  • Působil jako Assistant Director / Data Scientist v Moody's Analytics.
  • Věnuje se vývoji produktu zaměřeného na integraci dílčích ekonomických rizik.
  • Denně řeší problémy týkající se strojového učení, paralelizace výpočtů nebo data managementu.
  • Pracoval pro společnost Alza, kde řešil predikci prodejů, optimalizaci skladu a další úlohy z logistiky, prodeje nebo marketingu. Jeho role zahrnovala komunikaci se zadavateli, získávání a čištění dat, vývoj modelů, jejich zprovoznění v produkčním prostředí i jejich dlouhodobou údržbu.

Program

    • Lekce 1

    Úvod do AI: Od teorie k praxi

    —> 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)

    • Lekce 2

    Model lineární regrese: Nauč počítač předpovídat

    —> 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.

    • Lekce 3

    Klasifikace: Nauč počítač rozpoznávat

    —> 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

 
    • Lekce 4

    Rozhodovací stromy: Základ mnoha efektivních algoritmů

    —> 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.

    • Lekce 5

    Datové pipeliny a umění feature engineeringu

    —> 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

Zobrazit celý program Skrýt program
    • Lekce 6

    Transformátory dat: Tvorba účinných modelů

    —> 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.

    • Lekce 7

    Čistota dat: Základ úspěšné AI

    —> Problematické situace v datech – chybějící hodnoty, odlehlá pozorování
    —> Metody pro identifikaci problémů v datech
    —> Nástroje pro opravu a doplnění dat
    —> Přeškálování dat

    • Lekce 8

    Cross-validace a umění výběru modelu

    —> 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.

    • Lekce 9

    Ensemble modely: Síla diversity

    —> 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

    • Lekce 10

    Časové řady: Predikce budoucnosti

    —> 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.

    • Lekce 11

    Neuronové sítě: Mozek AI

    —> Základní pojmy a teorie – neuron, aktivační funkce, backpropagation algoritmus
    —> Typologie neuronových sítí
    —> Vytvoření neuronové sítě v Pythonu

    • Lekce 12

    Redukce dimenzionality a technika embeddings

    —> 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.

    • Lekce 13

    ChatGPT a další jazykové modely: Rozmluva s AI

    —> 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.

    • Lekce 14

    Závěr, QA session, diskuze k pracovnímu trhu

Získat více informací

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.

Kötelezően kitöltendő mező
ZÍSKAT VÍCE INFORMACÍ