Kurzy v konkrétním termínu s živým lektorem

Termín

Jazyk

Místo

Forma

Cena bez DPH

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: KT21110289-0003

Cena bez DPH

4 990 Kč

Objednat

Otevřený termín

Jazyk

Místo

Praha

Forma

učebna

Kód vybraného kurzu: KT21110289-0004

Cena bez DPH

4 990 Kč

Objednat

Popis kurzu

Předpokládá se základní znalost principů na úrovni kurzu Úvod do strojového učení, které se v kurzu využije pro vysvětlení pokročilejších architektur a technik. Zvláštní pozornost bude věnována možnostem interpretovatelnosti modelů strojového učení.

Požadované znalosti

Základní znalost programování v Pythonu
Středoškolské znalosti lineární algebry, matematické analýzy a teorie pravděpodobnosti. Bude předpokládáno základní porozumění pojmům jako vektor, matice, vektorový prostor, pravděpodobnost, podmíněná pravděpodobnost, nezávislost náhodných jevů a znalost násobení matic a derivace funkcí.
Znalosti strojového učení na úrovni kurzu Úvod do strojového učení

Obsah kurzu

Architektury neuronových sítí (feed-forward, rekurentní, konvoluční, generativní, autoenkodéry, Unet, GAN, attention layer)
Optimalizátory a jejich evoluce (Steepest Gradient Descent, Stochastic Gradient Descent, Mini-Batch Gradient Descent, Nesterov Accelerated Gradient, Adagrad, AdaDelta, Adam, hledání učicích koeficientů)
Chybové funkce a jejich vlastnosti (Mean squared error, Mean absolute error, Negative Log Likelihood)
Regularizace neuronových sítí (Dropout, Early stopping, Data augmentation, Batch and layer normalization)
Inicializace neuronových sítí (Gradient vanishing problem, Zero initialization, He initialization, Xavier initialization)
Semi-supervised learning (Pseudo Labeling, Mean-Teacher, PI-Model)
Odhad spolehlivosti predikcí (Logit analysis, Confidence networks)
AutoML (automatické hledání hyperparametrů, grid search, Bayesian optimization, meta-learning, automatické hledání architektur neuronových sítí)
Praktické příklady s knihovnou AutoKeras
Interpretovatelnost modelů strojového učení (přímo interpretovatelné modely, Partial Dependence Plot, Permutation feature importance, Surrogate models, Activation Maximization, Grad-CAM)

Lektoři

Jiří Materna

Je specialista na strojové učení se zkušenostmi s jeho aplikacemi v průmyslu od roku 2007. Mezi lety 2008 a 2017 pracoval ve společnosti Seznam.cz, z toho posledních 7 let jako vedoucí výzkumného oddělení. Nyní pracuje na volné noze, nabízí vývoj machine learning řešení na míru, organizuje konferenci Machine Learning Prague a píše blog ML Guru.

Chcete tento kurz na míru pro vaši firmu?

Kontaktujte nás

Aktuality ke kurzu

Microsoft 365 24. 8. 2023

Využijte státní příspěvek až 50 tis. Kč na IT kurzy

Je to jednoduché. Vše vyřídíte online. Je to pro všechny. O příspěvek mohou žádat zaměstnanci, podnikatelé i maminky na rodičovské dovolené.

Machine Learning 18. 3. 2023

Hlavní rozdíly mezi strojovým učením a umělou inteligencí

Strojové učení (ML) a umělá inteligence (AI) jsou příbuzné obory, ale není to totéž. Umělá inteligence je širší obor, který zahrnuje mnoho různých technologií, včetně strojového učení. Přečtěte si, jaké jsou kllíčové rozdíly mezi strojovým učením a umělou inteligencí.

Microsoft 1. 9. 2021

Co je umělá inteligence a proč se jí začít věnovat co nejdříve

Není to tak dávno, kdy byla umělá inteligence (Artificial Intelligence - AI) slovním spojením výlučně z oblasti sci-fi, dnes je však díky cloudovým službám realitou na dosah ruky každého z nás. Ruku v ruce s Azure se naučila mluvit, poslouchat, rozumět a samostatně se rozhodovat a díky tomu všemu pomáhat a ulehčovat nám život. Už dnes je tichým pomocníkem vašich oblíbených e-shopů, či zkušeným rádcem vaší navigace, a zítra může být i mnohem víc – součástí něčeho, co vytvoříte VY!

Více aktualit