- < živý online kurz >
- < 12 lekcí >
- < začíná 22. 1. 2024 >
Jan Kohout
Senior Data Scientist
TruU
Matematika & statistika pro data science
Vybuduj základy pro kariéru v datové analýze a strojovém učení
Ovládni svět dat s kurzem aplikované statistiky pro datovou vědu! Získej nejen teoretické znalosti, ale i praktické dovednosti, které ti poslouží jako základ pro strojové učení a datovou analýzu.
O kurzu:
Propoj teorii s praxí v našem kurzu matematiky a statistiky pro datovou vědu! Nauč se analyzovat data s matematickou přesností a ovládni Python pro řešení reálných datových výzev. Získej praktické dovednosti v data science, od základních statistických konceptů až po pokročilé techniky analýzy dat.
Požadavky
K absolvování kurzu potřebuješ znát základy Pythonu, Javy, C# nebo jiného jazyka, základní pojmy z integrálního a diferenciálního počtu, metrických prostorů a základy pravděpodobnosti.
- 12 online lekcí
- Python a Jupyter Notebook
- Knihovny pro data science
Kurz je vhodný pro:
- Porozumíš matematickým a statistickým principům.
- Naučíš se aplikovat matematické a statistické koncepty.
- Získáš praktické zkušenosti s Pythonem a jeho knihovnami.
- Pronikneš hlouběji do konceptů datové analýzy.
- Naučíš se pracovat s reálnými příklady.
- Efektivně využiješ nástroje pro analýzu a vizualizaci dat.
- Aplikuješ akademické znalosti z oborů matematiky a statistiky.
- Naučíš se pracovat s nástroji datové analýzy.
- Získáš dovednosti pro kariérní rozvoj v datové analýze, ML a AI.
Kurz začíná
22. 1. 2024
Lektor
Jan Kohout
- Senior Data Scientist ve startupu TruU, kde se věnuje 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 pomoci umělé inteligence.
- Je (spolu)autorem odborných článků a patentů z oblasti využití strojového učení v bezpečnosti s několika stovkami citací.
Program
-
- Lekce 1
- Pondělí 22. ledna, 19:00–20:30
Úvod, základy jazyka Python, základní knihovny
—> Přehled a cíle kurzu
—> Proč je matematika/statistika potřebná pro datovou analýzu
—> Základy Pythonu – proč Python, Jupyter Notebook, základní konstrukce, datové struktury a knihovny pro data science (numpy, MatPlotLib), conda/pip, odevzdávání úkolů -
- Lekce 2
- Středa 24. ledna, 19:00–20:30
První kroky při analýze dat
—> Knihovna Pandas, struktura DataFrame
—> Základní charakteristiky – průměr, modus, median, matice dat…
—> Vizualizace datÚkol: Načtení datasetu v Pandas, práce se sloupci a řádky, výběr a základní analýza dat
-
- Lekce 3
- Pondělí 29. ledna, 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) -
- Lekce 4
- Středa 31. ledna, 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 datÚkol: Empirický odhad pravděpodobnosti - vlastní implementace NBC
-
- Lekce 5
- Pondělí 5. února, 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
-
- Lekce 6
- Středa 7. února, 19:00–20:30
Odhadování parametrů, testování hypotéz
—> Bodový vs. intervalový odhad parametru, konfidenční interval
—> Odhad na základě maximální věrohodnosti
—> Centrální limitní věta
—> Statistické testy, p-hodnota, příklady -
- Lekce 7
- Pondělí 12. února, 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 -
- Lekce 8
- Středa 14. února, 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 hypotézÚkol: Vyhodnocení kvality klasifikátorů na vybrané klasifikační úloze
-
- Lekce 9
- Pondělí 19. února, 19:00–20:30
Regrese – metody, vyhodnocení
—> Příklady regresní analýzy – základní pojmy
—> Příklady metod – lineární regrese, logistická regrese
—> Učení, měření chyby -
- Lekce 10
- Středa 21. února, 19:00–20:30
Reprezentace dat, generativní modely (přehledově)
—> Reprezentace dat pro zpracování algoritmy klasifikace/regrese – vektorizace textových dokumentů, obrázků apod.
—> Učení reprezentací
—> Generování dat pomocí modelů – základní principyÚkol: Závěrečná úloha.
-
- Lekce 11
- Pondělí 26. února, 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 -
- Lekce 12
- Středa 28. února, 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 robot_dreams tým se s tebou spojí co nejdříve,
abys získal*a všechny potřebné detaily o obsahu kurzu a jeho ceně.