Strojové učení 1 - Supervised Learning

Naučte se modelovat vaše data a predikovat jejich chování v nových, dosud nepozorovaných případech.

Videa 139 min · 38 lekcí · Mírně pokročilí · Certifikát

Strojové učení Machine Learning Supervised Learning Scikit-learn Python Pandas NumPy

Strojové učení (Machine Learning) se jako podoblast umělé inteligence v posledních letech setkává s čím dál větším zájmem a jeho aplikace se už běžně objevují v praxi - ať už jde o učící se spam filtry v našich e-mailech, detektory podvodných transakcí v bankovních systémech, podporu ve webových vyhledávačích optimalizovanou na konrétní uživatele, nebo třeba o predikce zájmu o určitý produkt.

Důvěřují nám zaměstnanci významných společností.

RAIFFEISENBANK Nejvyšší kontrolní úřad Pražská energetika MND Hypoteční banka O2

Získejte pro svůj tým přístup do stále rostoucího počtu kurzů. Aktuální témata od těch nejlepších lektorů. Kompletně v češtině a slovenštině. Podívejte se na nabídku pro firmy.

Problematika strojového učení je rozsáhlé téma. V tomto kurzu se zaměříme především na základní porozumění principům a funkčnosti jednotlivých metod. Dále se budeme soustředit na jejich praktické použití, na jejich úskalí a ukážeme si, na co si dát pozor.

Metody, které se naučíte, lze aplikovat s použitím libovolného programovacího jazyka. V tomto kurzu ale budou demonstrovány v jazyce Python za použití knihoven Pandas, Numpy a Scikit-learn.

Předpokládá se tedy základní znalost jazyka Python a základní použití knihoven Pandas a Numpy, minimálně na úrovni kurzu Python pro analytiky.

Co se naučíte

Jak vypadají základní problémy, které můžete pomocí strojového učení řešit.
Jak si správně připravit data, která poslouží k učení algoritmů.
Jak modelovat problémy tzv. Supervised Learningu, kdy na základě historických dat a jejich ohodnocení naučíte algoritmy predikovat hodnoty dat nových.
Jak optimálně nastavit parametry jednotlivých algoritmů.
Jak naučené modely vyhodnotit a použít.

Obsah kurzu

1. Úvod

Úvod

Přehrát

2. Problémy strojového učení

Různé typy vstupů

Přehrát

Různé typy výstupů

Přehrát

ML Operations

Přehrát

3. Předzpracování dat

Načtení dat

Přehrát

Nevyvážené datasety

Přehrát

Kategorická data

Přehrát

Chybějící hodnoty

Přehrát

Důležitost features

Přehrát

Rozdělení dat pro trénink a validaci, problém přeučení

Přehrát

Standardizace dat

Přehrát

4. Problém Klasifikace

Příprava dat pro klasifikaci

Přehrát

Logistická regrese

Přehrát

Nejbližší sousedi

Přehrát

SVM

Přehrát

Rozhodovací stromy

Přehrát

Random Forest

Přehrát

Multiclass classification

Přehrát

Metriky pro vyhodnocení kvality modelu

Přehrát

5. Problém regrese

Příprava dat pro regresi

Přehrát

Lineární regresor

Přehrát

SVM regresor

Přehrát

Random Forest

Přehrát

Metriky pro vyhodnocení kvality modelu

Přehrát

6. Aplikace modelů

Aplikace modelů

Přehrát

7. Hyperparameter tuning

Hyperparameter tuning

Přehrát

8. Etický bias v modelech

Etický bias v modelech

Přehrát

9. Zdroje

Zdroje

Přehrát

10. Data

Heart.csv

Stáhnout

housing.csv

Stáhnout

11. Notebooky

Classifiers.ipynb

Stáhnout

Data-Loading.ipynb

Stáhnout

Missing-values.ipynb

Stáhnout

Regressors.ipynb

Stáhnout

Standardizace.ipynb

Stáhnout

Train-test-split.ipynb

Stáhnout

12. Závěrečný test

Zadání (PDF)

Zobrazit

Zadání (Notebook)

Stáhnout

Co o našich kurzech říkají studenti.

Radek

Byl jsem velmi spokojen - 9 z 10 😄. Líbila se mi srozumitelnost a praktické příklady.

Jan

Jednoduchost a lehkost cvičení -> jsem začátečník

Vladimír

Profesionální a srozumitelné => spokojen. Jistota po absolvování, výborné spojení znalostí lektora s odzkoušením.

Co získáte

Praktický úvod do strojového učení.
Více než 139 minut videolekcí.
Velký počet doprovodných materiálů.
Kurz od lektora, který má bohatou praxi v oblasti umělé inteligence a strojového učení.
Poznatky, které využijete v praxi.
Neomezený přístup ke všem materiálům po dobu 12 měsíců.
Certifikát (po úspěšném složení testu).

Počítač

Počítač s aktuální verzí libovolného operačního systému (Windows, macOS nebo Linux).
Nainstalovaný Python 3 a jeho knihovny:
- Pandas
- Numpy
- Matplotlib
- Scikit-learn
Dostatečně rychlé a stabilní připojení

Požadované znalosti

Znalost jazyka Python a knihovny Pandas, minimálně na úrovni kurzu Python pro analytiky.

Získejte přístup do kurzu .

Design by grafikli.cz

Používáme cookies pro lepší uživatelský zážitek. Používáním webu s tím vyjadřujete souhlas a zároveň potvrzujete, že jste se seznámil/a s Prohlášením o ochraně osobních údajů.

Fotografie: lektoři, grafikli.cz, icons8.com

Strojové učení 1 - Supervised Learning

Naučte se modelovat vaše data a predikovat jejich chování v nových, dosud nepozorovaných případech.

Co se naučíte

Obsah kurzu

Co získáte

Počítač

Požadované znalosti

Další kurzy