Popis kurzu Machine Learning v Pythone

Sú data scientisti čarodejníci keď tvrdia, že dokážu predpovedať budúcnosť? To rozhodne nie. :) Jednoducho vidia vo svojom okolí “funkciu” a odhadnú ju pomocou prediktívneho modelu. Napríklad, zozbierajú dáta o počasí a pomocou nich predpovedajú koľko ľudí sa rozhodne kúpiť si zmrzlinu v nasledujúci deň.

V tomto kurze sa naučíte vytvárať prediktívne modely pomocou strojového učenia (machine learning)! Po absolvovaní kurzu budete vedieť všetko potrebné na vybratie vhodného prediktívneho modelu, jeho správne vytvorenie a vyhodnotenie jeho úspešnosti.

Vieme, že najlepšie sa človek naučí nové zručnosti ich praktizovaním, a preto je pre vás pripravených 15 praktických programovacích cvičení v Jupyter notebookoch s úlohami a vysvetleniami jednotlivých konceptov.

Čo sa v kurze Machine Learning v Pythone naučíte

Celkový obsah kurzu je 10 hodín. Prostredie, v ktorom budete počas kurzu programovať sa nazýva Jupyter notebooky s Pythonom. Nižšie je uvedený zoznam oblastí, ktorým sa v kurze venujeme:

“Prvotný (baseline) model”: Na začiatku si povieme, čo vás v kurze čaká a rovno začneme aj s učením! Ukážeme si základný baseline model, ktorým môžeme začať prediktívne modelovanie.
“Evaluácia modelu a kompozitný kód”: Vytvoríme si náš prvý prediktívny model a povieme si o rôznych metrikách, pomocou ktorých hodnotíme jeho predpovede. Taktiež sa naučíme písať profesionálny kód, ktorý sa používa v reálnom svete.
“Rozhodovacie stromy a tuning hyperparametrov”: V tejto časti sa naučíte o modeli s názvom “rozhodovací strom”, ktorý dokáže predpovedať medzi dvoma cieľovými kategóriami. Na zlepšenie výkonnosti modelu sa naučíme kontrolovať nastavenia, takzvané hyperparametre.
“Náhodný les a kNN algoritmus”: Keď sme sa už naučili ako funguje “rozhodovací strom”, môžeme na našich vedomostiach stavať a posunúť sa k modelu “náhodného lesa”, ktorý sa bežne používa v praxi. Taktiež si ukážeme model s názvom kNN, ktorý na vytvorenie predpovedí využíva algoritmus “najbližších susedov” a jeho brata - rNN model.
“Lineárna regresia”: Touto časťou prechádzame do oblasti lineárnych modelov. Naučíme sa o jednom z najdôležitejších modelov s názvom lineárna regresia, pomocou ktorej vytvoríme predpovede a budeme pozorovať aký efekt majú vstupné dáta na vytvorenú predpoveď.
“Regularizované modely”: V tejto časti sa naučíme o 3 regularizovaných modeloch, ktoré sú variáciami lineárnej regresie: Lasso, Ridge a Elastic Net. Tieto modely sú veľmi užitočné, napríklad, v regulovaných prostrediach ako je bankovníctvo alebo poisťovníctvo.
“Logistická regresia”: Ďalším z lineárnych modelov je logistická regresia, ktorá dokáže predpovedať dve alebo viac cieľových kategórií. Ukážeme si tiež ako použiť výstupy z tohto modelu. Zhrnieme si aj predpoklady lineárnych modelov, ktoré nám môžu pomôcť zlepšiť výkonnosť modelu.
“Clustering-zhlukovanie”: V tejto časti sa naučíme o modeloch kMeans a DBSCAN, ktoré fungujú na princípe “zhlukovania dát” s podobnými vlastnosťami a na základe týchto skupín vytvárajú predpovede.
“Redukcia dimenzionality a detekcia anomálií”: Vysvetlíme si ako fungujú algoritmy, ktoré redukujú dimenzionalitu vstupných dát. Taktiež si ukážeme ako nám machine learning pomáha pre detekovaní anomálií v dátach.

Pre koho je kurz Machine Learning v Pythone vhodný

Začnime pomyselným “strašiakom” - matematikou. Mnoho ľudí má z modelov strojového učenia a umelej inteligencie príliš veľký rešpekt. Majú pocit, že musia skvelo zvládať matematiku, aby tieto modely mohli pochopiť a používať. Túto obavu však vôbec nemusíte mať. :) Všetky metódy v kurze budú vysvetľované veľmi intuitívne a vizuálne. V kurze sa nachádza minimum rôznych matematických zápisov a rovníc. Počas kurzu nazrieme “pod kapotu” rôznych modelov a metód a pochopíme ako fungujú aj bez komplexných matematických zápisov. Zároveň si však povieme o všetkých dôležitých predpokladoch, ktoré musíme splniť, aby sa v našom modeli niečo nepokazilo.

Kurz je priamym pokračovaním nášho kurzu Vytváranie atribútov pre Machine Learning v Pythone, v ktorom učíme o správnej príprave dát pre machine learning modely. Odporúčame teda najprv absolvovať tento kurz, aby ste získali potrebné základy práce so scikit-learn knižnicou. Okrem toho sa, prosím, uistite, že spĺňate vstupné požiadavky popísané nižšie:

zvládate prácu s Jupyter notebookmi,
dokážete pracovať s knižnicou pandas a spracovávať v nej dáta,
viete čo sú Numpy polia a zvládate základné operácie s nimi,
máte základný konceptuálny prehľad o svete Data Science a prístupoch zmeny dát na hodnotné informácie (opis, objavovanie, inferencia, prediktívne modelovanie),
zvládate stredoškolskú matematiku a základy deskriptívnej štatistiky (priemer, medián, modus, variabilita, atď.).

Čo po kurze dokážete a čo si odnesiete?

V posledných rokoch firmy ponúkajú mnoho pozícií s názvom “Data Scientist”. Zvyčajnou požiadavkou je schopnosť aplikovať prediktívne modelovanie v Pythone. Presne túto schopnosť získate v kurze. Absolventi tohto kurzu častokrát fungujú na pozícií “Junior Data Scientist”, prípadne sú v roli “experimentátorov”. Experimentujú s rôznymi dátami vo firmách a vytvárajú jednoduché prototypy modelov strojového učenia. Ak sa nejaký z týchto experimentov vydarí, začnú spolupracovať so skúsenejšími data scientistmi na vytvorení kompletného produktu dátovej vedy z ich skorého prototypu.

Z kurzu si odnesiete praktické skúsenosti s vytváraním modelov strojového učenia nad štrukturovanými dátami. Budete vedieť ako fungujú algoritmy prediktívnych modelov a ovládať rôzne evaluačné techniky na základe použitého modelu.

V prípade, že smerujete v budúcnosti do Data Science pozície, ktorá si vyžaduje aj prácu so spracovaním obrázkov a textu pomocou machine learning-u, môžete priamo pokračovať do ďalšieho kurzu s názvom “Neurónové siete, machine learning pre text a obrázky”.

Čo je potrebné na absolvovanie kurzu Machine Learning v Pythone

Vlastný laptop. Firemný laptop môže spôsobovať problémy, napríklad, pri prístupoch na Google Drive prostredie alebo pri inštalácii knižníc.
Základná znalosť angličtiny: Minimálne pasívna znalosť na úrovni čítania textu keďže pre knižnice, o ktorých sa budeme učiť sú vytvorené dokumentácie v anglickom jazyku. Všetky video tutoriály sú však v slovenskom jazyku.
Stabilné internetové pripojenie. Pre sledovanie video lekcií či prácu na cvičeniach je internetové pripojenie neustále potrebné.
Aktualizovaný internetový prehliadač Google Chrome, Microsoft Edge alebo Mozilla Firefox.
(odporúčané) Google účet. S Jupyter notebookmi odporúčame pracovať v prostredí Google Colaboratory. V prípade, že Google účet nemáte a ani si ho nechcete zakladať, bude k dispozícii druhá alternatíva na lokálnu prácu s Jupyter notebookmi.

Čo všetko s kurzom Machine Learning v Pythone získate

15 Jupyter notebookov, v ktorých si nielen prakticky vyskúšate jednotlivé koncepty, ale môžete ich používať ako osobnú referenciu vo vašom (budúcom) zamestnaní,
video tutoriály o Machine Learningu v Pythone,
moderované diskusné fórum, v ktorom na vaše otázky odpovedá autor kurzu Róbert Barcík,
certifikát o absolvovaní online kurzu Machine Learning v Pythone,
garancia vrátenia peňazí do 14 dní v prípade nespokojnosti s kurzom.

Zoznam kapitol

Vitajte v kurze!

O tomto kurze 4min