Python pro strojové učení - kurz 49 990 RUB. od Specialista, školení, Datum: 27. listopadu 2023.

Kurz je zaměřen na využití Pythonu pro technologie strojového učení. Jsou studovány hlavní knihovny používané ve strojovém učení a metody jejich použití.
Kurz je vyučován na základě knihoven strojového učení Scikit-Learn a TensorFlow. Během procesu učení jsou aktivně využívány vývojové nástroje Jupyter Notebook a Jupyter-Lab. Využívají se také cloudové výpočetní zdroje Google Colab.
Kurz je doporučen pro programátory Pythonu a specialisty na datovou vědu.

Naučíte se:
aplikovat technologie strojového učení;
používat klasifikační, regresní, shlukovací modely;
používat metody předběžného zpracování dat a kryty strojového učení;
vybrat modely strojového učení na základě kvality jejich práce;
prohloubit své znalosti Pythonu, osvojit si moderní nástroje pro vývoj modelů strojového učení.

Modul 1. Prohlášení o problému strojového učení (2 ac. h.)
Tři typy strojového učení.
Schéma pro konstrukci systémů strojového učení.
Potřebné nástroje.
Procvičte si vytváření pracovního prostředí a používání Anaconda a Jupyter Notebook.

Modul 2 Školení s učitelem. Klasifikační problém (6 ak. h.)
Koncept neuronové sítě.
Perceptron. Definice, implementace a školení.
Adaptivní lineární neuron. Definice, implementace a školení.
Gradientní sestupová metoda.
Stochastický gradientový sestup v adaptivním lineárním neuronu.
Dynamické učení na velkých datech.
Cvičte s modelem a datovými sadami Scikit-Learn.
Cvičte v Jupyter Notebooku.
Modul 3. Knihovna scikit-learn, její hlavní rysy (6 ac. h.)
Trénink perceptronu.
Logistická regresní metoda.
Podpora vektorového stroje.
Metoda k-nejbližších sousedů.
Rozhodovací stromy.
Soubor libovolných stromů.
Cvičte v Jupyter Notebooku.
Modul 4. Školení s učitelem. Regresní problém (6 ak. h.)
Školení s učitelem. Regresní problém.
Lineární regrese.
Metoda nejmenších čtverců.
Gradientní sestupová metoda.
Práce s emisemi. Algoritmus RANSAC().
Bootstrap technika pro regresní koeficienty.
Posouzení kvality regresního modelu.
Základy nelineární regrese.
Cvičte v Jupyter Notebooku.
Modul 5. Předzpracování dat, výběr funkcí a modelů (6 ac. h.)
Manipulace s chybějícími daty.
Kategorie zpracování.
Předzpracování a tréninkové modely.
Výběr významných vlastností.
Zkoumání významných prvků pomocí náhodných lesů.
Potrubí strojového učení.
Křížová validace a výběr modelu.
Cvičte v Jupyter Notebooku.
Modul 6. Učení bez učitele. Shluková analýza (6 ac. h.)
Metoda K-means.
Analýza hlavních komponent.
Lineární diskriminační analýza.
Hierarchické shlukování.
Shlukování podle hustoty.
Cvičte v Jupyter Notebooku.
Modul 7. Základy hlubokého učení (8 ak. h.)
Grafy a distribuované výpočty.
Instalace Tensorflow.
Tenzory.
Soubory dat.
Aplikační rozhraní (API) Keras.
Lineární regrese se stochastickým gradientem sestupu.
Klasifikace dat Iris pomocí dvouvrstvé neuronové sítě.
Aktivační funkce neuronových vrstev.
Klasifikace dat MNIST.
Cvičte v Google Colab.