Zobrazit vše

Pravděpodobnostní grafické modely

Tento kurz je určen pro zájemce o porozumění Bayesovským sítím a pravděpodobnostnímu programování.
Úroveň
Určeno účastníkům s pokročilejšími znalostmi a zkušenostmi
pokročilý
Délka kurzu
1 den
Jazyk
 cz  eu
Kód kurzu
KT21110291
Machine learning
Kategorie:
Chcete tento kurz na míru pro vaši firmu? Kontaktujte nás

Kurzy v konkrétním termínu s živým lektorem

Termín
Jazyk
Místo
Forma
?
Jak a kde kurz probíhá.
Cena bez DPH
Otevřený termín
?
Společně se domluvíme na konkrétním datu. Jedná se o nezávaznou objednávku.
Jazyk
Místo
Praha
Forma
učebna
?
Kurz probíhá prezenčně v učebně s lektorem.
Kód vybraného kurzu: KT21110291-0002
Cena bez DPH
4 990 Kč
Otevřený termín
?
Společně se domluvíme na konkrétním datu. Jedná se o nezávaznou objednávku.
Jazyk
Místo
Praha
Forma
učebna
?
Kurz probíhá prezenčně v učebně s lektorem.
Kód vybraného kurzu: KT21110291-0003
Cena bez DPH
4 990 Kč

Popis kurzu

Teoretická příprava v první části kurzu bude směřovat k praktickému příkladu modelování témat pomocí Latent Dirichlet Allocation a jejímu neparametrickému rozšíření včetně odhadu hyperparametrů. Po absolvování kurzu bude účastník schopen navrhovat a implementovat vlastní jednoduché Bayesovské sítě pro různé problémy.

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.

Obsah kurzu

  • Bayesovské sítě
  • Grafická reprezentace modelu
  • Generativní vs. diskriminativní modely
  • Statistická inference v Bayesovských sítích
    • Variational inference
    • Sampling
      • Rejection sampling
      • Markov Chain Monte Carlo
      • Metropolis-Hastings sampling
      • Gibbs sampling
  • Pravděpodobnostní rozdělení
    • Binomické a multinomické rozdělení
    • Beta a Dirichletovo rozdělení
    • Gamma rozdělení
  • Pravděpodobnostní programovací jazyky
  • Praktický příklad na modelování témat
    • Latent Semantic Analysis
    • Probabilistic Latent Semantic Analysis
    • Latent Dirichlet Allocation
  • Neparametrické modely
    • Dirichlet process
    • Chinese restaurant process a Stick breaking process
    • Non-parametric LDA
  • Odhad hyperparametrů

Lektoři

Jiří Materna
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

Náhledový obrázek novinky
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.

Náhledový obrázek novinky
Machine Learning 3. 6. 2021
Objevte výhody Machine Learning

Machine Learning, česky „strojové učení“ umožňuje společnostem být efektivní, vyhledávat vzory v datech, automatizovat a dělat rozhodnutí s minimálním zásahem člověka. Naučené algoritmy řeší definované úkoly v reálném čase a na základě vstupních dat. Zároveň se na nových datech učí a přizpůsobují se změně podmínek.

Chcete tento kurz na míru pro vaši firmu?

Kontaktujte nás

Aktuality ke kurzu

Náhledový obrázek novinky
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.

Náhledový obrázek novinky
Machine Learning 3. 6. 2021
Objevte výhody Machine Learning

Machine Learning, česky „strojové učení“ umožňuje společnostem být efektivní, vyhledávat vzory v datech, automatizovat a dělat rozhodnutí s minimálním zásahem člověka. Naučené algoritmy řeší definované úkoly v reálném čase a na základě vstupních dat. Zároveň se na nových datech učí a přizpůsobují se změně podmínek.

Proč s námi