Struktura kurzu
- Co je to strojové učení
- Typy strojového učení (klasifikace, regrese, řazení, reinforcement learning, clustering, detekce anomálií, doporučování, optimalizace)
- Příprava data (rozdělení datových množin, vyváženost dat, šumy v datech, normalizace a standardizace atributů, rozpoznání přeučování a obrana proti němu)
- Evaluace modelů pro klasifikace (accuracy, precision, recall, matice záměn, ROC křivka, AUC)
- Základní algoritmy pro klasifikaci (baseline modely, naivní bayesovský klasifikátor, logistická regrese, Support Vector Machines, rozhodovací stromy, ensemble metody)
- Rychlotutoriál scikit learn (načítání a transformace dat, trénování modelů a predikce, pipelines, evaluace)
- Praktická úloha na klasifikaci
- Základní algoritmy pro regresi (analytické metody, gradient descent, SVR, regresní stromy)
- Evaluace regresních modelů (mean squared error, absolute squared error)
- Praktická úloha na regresi
Den 2.
- Základní algoritmy pro shlukování (K-means, hierarchické shlukování, metody pro určení počtu shluků)
- Praktická úloha na shlukování
- Úvod do neuronových sítí (proč jsou populární, výhody/nevýhody, perceptron)
- Nejpoužívanější aktivační funkce (Sigmoid, Linear, Tanh, Relu, Softmax)
- Vícevrstvé sítě (Algoritmus zpětné propagace chyby a stochastic gradient descent, konvoluce, pooling a regularizace)
- Trénování neuronových sítí (epocha, iterace, batch learning)
- Rychlotutoriál Keras (instalace TensorFlow + Keras, návrh sekvenčního modelu, optimalizátory a trénování, způsob práce s daty)
- Praktické úlohy na klasifikaci a regresi pomocí neuronových sítí
