Machine Learning v Pythone

Popis kurzu Machine Learning v Pythone

Co se v kurzu Machine Learning v Pythonu naučíte

• "Prvotní (baseline) model": Na začátku si řekneme, co vás v kurzu čeká a rovnou začneme is učením! Ukážeme si základní baseline model, kterým můžeme začít prediktivní modelování.
• “Evaluace modelu a kompozitní kód”: Vytvoříme si náš první prediktivní model a povíme si o různých metrikách, pomocí kterých hodnotíme jeho předpovědi. Také se naučíme psát profesionální kód, který se používá v reálném světě.
• „Rozhodovací stromy a tuning hyperparametrů“: V této části se naučíte o modelu s názvem „rozhodovací strom“, který dokáže předpovědět mezi dvěma cílovými kategoriemi. Pro zlepšení výkonnosti modelu se naučíme kontrolovat nastavení, takzvané hyperparametry.
• „Náhodný les a kNN algoritmus“: Když jsme se již naučili jak funguje „rozhodovací strom“, můžeme na našich znalostech stavět a posunout se k modelu „náhodného lesa“, který se běžně používá v praxi. Také si ukážeme model s názvem kNN, který k vytvoření předpovědí využívá algoritmus "nejbližších sousedů" a jeho bratra - rNN model.
• „Lineární regrese“: Touto částí přecházíme do oblasti lineárních modelů. Naučíme se o jednom z nejdůležitějších modelů s názvem lineární regrese, pomocí které vytvoříme předpovědi a budeme pozorovat, jaký efekt mají vstupní data na vytvořenou předpověď.
• “Regularizované modely”: V této části se naučíme o 3 regularizovaných modelech, které jsou variacemi lineární regrese: Lasso, Ridge a Elastic Net. Tyto modely jsou velmi užitečné, například, v regulovaných prostředích jako je bankovnictví nebo pojišťovnictví.
• „Logistická regrese“: Dalším z lineárních modelů je logistická regrese, která dokáže předpovědět dvě nebo více cílových kategorií. Ukážeme si také jak použít výstupy z tohoto modelu. Shrneme si také předpoklady lineárních modelů, které nám mohou pomoci zlepšit výkonnost modelu.
• “Clustering-shlukování”: V této části se naučíme o modelech kMeans a DBSCAN, které fungují na principu “shlukování dat” s podobnými vlastnostmi a na základě těchto skupin vytvářejí předpovědi.
• “Redukce dimenzionality a detekce anomálií”: Vysvětlíme si, jak fungují algoritmy, které redukují dimenzionalitu vstupních dat. Také si ukážeme, jak nám machine learning pomáhá pro detekování anomálií v datech.

Pro koho je kurz Machine Learning v Pythonu vhodný 

• zvládáte práci s Jupyter notebooky,
• dokážete pracovat s knihovnou pandas a zpracovávat v ní data,
• víte co jsou Numpy pole a zvládáte základní operace s nimi,
• máte základní konceptuální přehled o světě Data Science a přístupech změny dat na
• hodnotné informace (popis, objevování, inference, prediktivní modelování),
• zvládáte středoškolskou matematiku a základy deskriptivní statistiky (průměr, medián, modus, variabilita, atd.).

Co po kurzu dokážete a co si odnesete?

Co je potřeba k absolvování kurzu Machine Learning v Pythonu

• Vlastní laptop. Firemní laptop může způsobovat problémy, například, při přístupech na Google Drive prostředí nebo při instalaci knihoven.
• Základní znalost angličtiny: Minimální pasivní znalost na úrovni čtení textu jelikož pro knihovny, o kterých se budeme učit jsou vytvořeny dokumentace v anglickém jazyce. Všechny video tutoriály jsou však ve slovenském jazyce.
• Stabilní internetové připojení. Pro sledování video lekcí či práci na cvičeních je internetové připojení neustále zapotřebí.
• Aktualizovaný internetový prohlížeč Google Chrome, Microsoft Edge nebo Mozilla Firefox.
• (doporučeno) Google účet. S Jupyter notebooky doporučujeme pracovat v prostředí Google Colaboratory. V případě, že Google účet nemáte a ani si jej nechcete zakládat, bude k dispozici druhá alternativa pro lokální práci s Jupyter notebooky.

Co všechno s kurzem Machine Learning v Pythonu získáte

• 15 Jupyter notebooků, ve kterých si nejen prakticky vyzkoušíte jednotlivé koncepty, ale můžete je používat jako osobní referenci ve vašem (budoucím) zaměstnání,
• video tutoriály o Machine Learningu v Pythonu,
• moderované diskusní fórum, ve kterém na vaše dotazy odpovídá autor kurzu Róbert Barcík,
• certifikát o absolvování online kurzu Machine Learning v Pythonu,
• garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem.