Machine Learning v Pythone
- Level
- Kapitol
- 88
- Kategória
- Programovanie
- Hodnotenie
- 5,0 z 5
- Dĺžka
- 10h 6min
- Jazyk
- SK
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.
Kurz je súčasťou študijnej cesty Data Scientist, ktorá prepája základy Data Science, Python, spracovanie dát, vizualizáciu a machine learning.
Kurz je súčasťou študijnej cesty Data Scientist, ktorá prepája základy Data Science, Python, spracovanie dát, vizualizáciu a machine learning.
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.
Kapitoly online kurzu
Vitajte v kurze! (3)
O tomto kurze
4:03
Nastavovanie prostredia a materiály na stiahnutie
17:55
Nové materiály kurzu
6:28
1. Prvotný (baseline) model (4)
Vitajte v kapitole!
2:56
Základná intuícia prvotného modelu
5:28
Dummy classifier a Dummy regressor
9:16
Baseline model založený na heuristike
3:41
2. Evaluácia modelu (9)
Vitajte v kapitole!
3:58
Tréningové, zadržané a produkčné dáta
13:02
Krížová validácia (cross validation)
6:45
Obšírna intuícia
6:51
Vypočítanie CV metrík
8:37
Iterátory pre krížovú validáciu
11:21
Vyhodnotenie klasifikačného modelu
20:13
Vyhodnotenie regresného modelu
12:48
Je náš model dostatočné dobrý?
18:26
3. Prahové hodnoty a krivky (1)
Prahové hodnoty a krivky
19:11
4. Kompozitný kód (5)
Vitajte v kapitole!
1:39
ColumnTransformer
8:13
Vyberanie atribútov v ColumnTransformeri
3:49
Pipeline
7:35
Komplexnejšie kompozity
11:59
5. Tuning hyperparametrov (5)
Vitajte v kapitole!
9:45
Hyperparameter grid
6:51
Odhadovanie času hľadania
5:07
Full search a Random search
8:20
Kompozity a tuning hyperparametrov
5:34
6. Rozhodovací strom (Decision Tree) (5)
Vitajte v kapitole!
2:32
Úvod do rozhodovacích stromov
10:11
Predikovanie pomocou rozhodovacieho stromu
7:23
Rozhodovacie stromy pre regresné problémy
3:44
Hyperparametre rozhodovacích stromov
11:55
7. Náhodný les (Random Forest) (4)
Vitajte v kapitole!
1:50
Prístup ensemble modelov
15:33
Hyperparametre náhodného lesa
10:23
Dôležitosť atribútov v náhodnom lese
7:41
8. Algoritmy založené na meraní vzdialenosti (5)
Vitajte v kapitole!
2:37
Intuícia modelov založených na vzdialenosti
4:11
kNN (k-Nearest Neighbors) algoritmus
11:54
Rôzne spôsoby merania vzdialenosti
8:08
rNN (Radius-nearest Neighbors) algoritmus
4:23
9. Základy nevybalansovaných dát (1)
Nevybalansované dáta
11:22
10. Lineárna regresia (14)
Úvod do lineárnych modelov
1:15
Uvedenie do problému
6:49
Viacnásobná lineárna regresia
4:37
Chyby lineárnej regresie
3:44
Regresné metriky
7:31
Trénovanie lineárnej regresie
5:30
Odľahlé hodnoty (outliers)
2:56
Interpretácia lineárnej regresie a ako interpretovať prienik
6:25
Interpretácia sklonu jednoduchej lineárnej regresie
3:33
Interpretácia sklonu vo viacnásobnej lineárnej regresii
3:45
Interpretácia koeficientov kategorických premenných
3:47
Interpretácia premenných v modeli so zmiešanými typmi premenných
4:02
Zhrnutie
3:54
11. Regularizované lineárne modely (8)
Polynomiálna regresia
7:28
Kolinearita - polynomiálna regresia
6:23
Kolinearita - dummy pasca
5:08
Pretrénovanie / podtrénovanie
6:30
Regularizácia
4:29
Alpha
6:07
Regularizované modely
5:03
Ktorý regularizovaný model si vybrať
5:35
12. Logistická regresia (9)
Úvod do logistickej regresie
1:54
Klasifikačný problém a príklady použitia
8:03
Binárna logistická regresia
2:43
Binárna logistická regresia - predpovede triedy
5:21
Polynomiálna logistická regresia
5:24
Koeficienty
9:46
Nákladová funkcia
8:55
Viactriedna klasifikácia
6:45
Príprava dát
3:32
13. Zhlukovanie (6)
Úvod do učenia bez učiteľa
6:54
Úvod do zhlukovania
7:17
K-means
5:00
K-means tipy
14:10
DBSCAN
8:19
DBSCAN tipy
5:41
14. Redukcia dimenzionality (4)
Úvod do redukcie dimenzionality
5:06
PCA
8:33
PCA tipy
6:14
Učenie manifoldu
7:26
15. Detekcia anomálií (3)
Úvod do detekcie anomálií
5:37
Faktor lokálnej odľahlej hodnoty (Local Outlier Factor)
4:33
Izolujúci les (Isolation Forest)
4:02
Čo ďalej? (2)
Diskusia a hodnotenie
1:29
Gratulujem! Čo ďalej?
2:03
Lektor online kurzu
5,0
Hodnotenie
12
Kurzov
Hodnotenia študentov
Hodnotenia od študentov zapísaných v kurze na Skillmea.
5,0 z 5
· 3 hodnotenia
Lukáš V.
5
Študent ohodnotil kurz bez slovného komentára.
Marieta P.
5
Študent ohodnotil kurz bez slovného komentára.
Peter H.
5
Študent ohodnotil kurz bez slovného komentára.
