Úvod do strojového učení

Na kurzu nejdříve probereme základní pojmy a koncepty a hned potom se vrhneme na trénování našich prvních modelů. Naučíme se, jak vhodně reprezentovat různé druhy dat, jak trénovat modely a jak je správně vyhodnocovat. Všechna probíraná témata si spolu prakticky naprogramujeme v Pythonu, pomůže nám v tom framework scikit-learn.

Cílová skupina

Obsah kurzu a probírané příklady rádi přizpůsobíme podle potřeb účastníků:

• Pro programátory, lead engineery a IT architekty. Kurz Vám poskytne vhled do návrhu a vývoje a deploymentu vlastních AI systémů. 
• Pro administrátory a devops. Kurz Vám poskytne praktické způsoby, jak použít AI v monitoringu a alertingu.
  
  

Cíl kurzu

Kurz Vás srozumitelně provede teoretickým úvodem do AI a strojového učení. Následně na praktických use cases ukážeme přípravu dat, trénování, ladění a evaluaci modelů.

Osnova kurzu

• Stručný teoretický úvod do strojového učení
  • kdy je vhodné použít strojové učení?
  • definování základních konceptů
• Seznámení s workspace (Jupyter Notebook)
• Úvod do frameworku scikit-learn
• Evaluační míry a strategie
  • matice konfuze, accuracy, precision, recall, f-measure
  • ROC křivka
  • rozdělení dat, grid-search
• Tvorba features
  • one-hot encoding pro kategoriální data
  • TF-IDF pro textová data
• Základní algoritmy
  • rozhodovací stromy
  • geometrické klasifikátory
• Výběr nejlepších features
  • prokletí dimenzionality
  • rozptylový threshold, informační zisk
• Statistická signifikance
  • konfidenční intervaly, t-test, křížová validace
    
    

Předpoklady účastníka

Předpokládá se základní znalost programování v Pythonu.
 

Další požadavky

Pro účastníky kurzu bude připraven on-line workspace v podobě Jupyter Notebooků, ve kterých budou programovat úkoly pro procvičení všech probíraných metod.