Strojové učení 1 - Supervised Learning

Videa 2h 19m · 38 lekcí · Mírně pokročilí · Certifikát

Oblíbené Certifikát
Strojové učení 1 - Supervised Learning
Ukázka Strojové učení 1 - Supervised Learning
Ukázka Strojové učení 1 - Supervised Learning
Ukázka Strojové učení 1 - Supervised Learning
Ukázka Strojové učení 1 - Supervised Learning
Ukázka Strojové učení 1 - Supervised Learning

Strojové učení 1 - Supervised Learning

Videa 2h 19m · 38 lekcí · Mírně pokročilí · Certifikát

Oblíbené Certifikát

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

4 399 Kč

Výhodné balíčky již od 2 kurzů.
Rozvíjejte svůj tým: Školení na míru nebo výhodný BusinessPass.

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

Martin Selecký

Autor kurzu: Martin Selecký

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.

Obsah kurzu

1. Úvod

1

Úvod

2. Problémy strojového učení

3

Různé typy vstupů

Různé typy výstupů

ML Operations

3. Předzpracování dat

7

Načtení dat

Nevyvážené datasety

Kategorická data

Chybějící hodnoty

Důležitost features

Rozdělení dat pro trénink a validaci, problém přeučení

Standardizace dat

4. Problém Klasifikace

8

Příprava dat pro klasifikaci

Logistická regrese

Nejbližší sousedi

SVM

Rozhodovací stromy

Random Forest

Multiclass classification

Metriky pro vyhodnocení kvality modelu

5. Problém regrese

5

Příprava dat pro regresi

Lineární regresor

SVM regresor

Random Forest

Metriky pro vyhodnocení kvality modelu

6. Aplikace modelů

1

Aplikace modelů

7. Hyperparameter tuning

1

Hyperparameter tuning

8. Etický bias v modelech

1

Etický bias v modelech

9. Zdroje

1

Zdroje

10. Data

2

Heart.csv

housing.csv

11. Notebooky

6

Classifiers.ipynb

Data-Loading.ipynb

Missing-values.ipynb

Regressors.ipynb

Standardizace.ipynb

Train-test-split.ipynb

12. Závěrečný test

2

Zadání (PDF)

Zadání (Notebook)

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 kurzů Python - základy a Pandas - analýza a zpracování dat.

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.

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).

Pochlubte se certifikátem

Certifikát

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 minimálně na úrovni kurzu Python - základy.
  • Znalost knihovny Pandas a NumPy minimálně na úrovni kurzu Pandas - analýza a zpracování dat.
  • Výhodné balíčky již od 2 kurzů.
    Jste tým? Využijte BusinessPass.

    Hodnocení studentů

    L

    Lýdia

    Ďakujem aj za skutočne skvelé videá. Kvitujem aj to, že počas vysvetľovania používate jasné fakty, postupy, držíte pozornosť študenta na danej látke, zbytočne neobkecávate... Taktiež, že cvičenia z kurzu aj s riešeniami máte zhrnuté v pdf súboroch, ktoré si môžeme stiahnuť.

    Ověřený zákazník

    J

    Jakub

    Svižné tempo, srozumitelný výklad, excercise - based přístup, charismatický a zkušený lektor.

    Ověřený zákazník

    J

    Jiří

    Tři největší výhody kurzu: dobře zpracovaná videa, práce na dálku, dobré materiály.

    Ověřený zákazník

    Učí se s námi

    • Siemens
    • Hypoteční banka
    • GOPAY
    • Centrální depozitář cenných papírů
    • Vysoká škola ekonomická v Praze
    • YVES ROCHER
    • Alza.cz
    • innogy
    • Nejvyšší kontrolní úřad
    • a mnoho dalších

    Mohlo by vás zajímat

    Datová gramotnost pro každého

    Získejte klíčové znalosti pro dnešní daty řízený svět.

    Zobrazit kurz

    Python pro každý den

    Jak si užít Python a nezabloudit v kódu

    Zobrazit knihu

    Základy Tableau

    Kurz pro všechny, kteří chtějí proniknout do analýzy dat pomocí vizualizací.

    Zobrazit kurz

    Copyright © 2018-2024, Colorbee, s.r.o.

    Designed by grafikli.cz in Prague.