Co se naučíte

V tomto kurzu se seznámíte s nejčastěji používanými modely strojového učení. Zjistíte jak se liší, na co se hodí a jaká jsou jejich omezení. Po absolvování kurzu budete schopni rozhodnout, které technologie a postupy jsou vhodné pro vaše potřeby.

Data a modely

Klíčovým prvkem strojového učení jsou data, kterým se kurz také podrobně věnuje. Poznáte typy dat, jak zjistit jejich rozložení v prostoru a jak je připravit pro konkrétní modely. Dotkneme se také odpovědnosti za přípravu dat - jestli je čištění součástí modelu nebo jestli by data již měla být dodána vyčištěná.

Neuronové sítě

Seznámíte se i s pokročilejšími tématy, jako jsou např. hluboké neuronové sítě, jak fungují a k čemu se hodí. Neuronové sítě jsou velmi silné modely s širokými možnostmi. Tento základním kurz téma neuronových sítí nezpracovává do hloubky. Učení neuronových sítí je náročné (a to i výkonově) a proto by vydalo na samostatný kurz.

Nejpoužívanější frameworky

V kurzu poznáte nejpoužívanější technologie a frameworky strojového učení. Probereme i komerční platformy, které jsou vhodné, pokud máte velmi velká data (Big Data) nebo pokud integrujete data z více zdrojů a nechcete (nebo nemůžete) investovat do vlastního datového skladu.

Praktická řešení

Z praktické stránky si ukážeme jedno z nejpoužívanějších řešení pro správu modelů a experimentů, které můžete snadno nasadit ve své firmě.

Co získáte

• Úvod do strojového učení (Machine Learning).
• Více než 87 minut videolekcí.
• Kurz od lektora s bohatou praxi v oblasti strojového učení.
• Přehledný a srozumitelný výklad.
• Vyváženou kombinace teorie a praxe.
• Přehled o klíčových technologiích.
• Neomezený přístup ke všem materiálům po dobu 12 měsíců.

Počítač

• Volitelně: Pro praktickou část se předpokládá základní znalost jazyka Python a knihovny Pandas na úrovni kurzu Python pro analytiky.
• Volitelně: Pokud chcete provádět praktickou část spolu s lektorem, budete potřebovat funkční instalaci: Python, Jupyter notebook a knihoven Scikit-learn a Pandas.
• Dostatečně rychlé a stabilní připojení.