Python za strojno učenje - tečaj 49 990 RUB. iz Specialist, usposabljanje, Datum: 27.11.2023.

Predmet se osredotoča na uporabo Pythona za tehnologije strojnega učenja. Preučujejo se glavne knjižnice, ki se uporabljajo pri strojnem učenju, in metode za njihovo uporabo.
Tečaj poteka na podlagi knjižnic strojnega učenja Scikit-Learn in TensorFlow. Med učnim procesom se aktivno uporabljata razvojni orodji Jupyter Notebook in Jupyter-Lab. Uporabljajo se tudi viri računalništva v oblaku Google Colab.
Tečaj je priporočljiv za programerje Python in strokovnjake za podatkovne znanosti.

Naučil se boš:
uporabljati tehnologije strojnega učenja;
uporabljati modele klasifikacije, regresije, grozdenja;
uporaba metod predprocesiranja podatkov in pokrovov strojnega učenja;
izberejo modele strojnega učenja glede na kakovost svojega dela;
poglobite svoje znanje Pythona, osvojite sodobna orodja za razvoj modelov strojnega učenja.

Modul 1. Izjava o problemu strojnega učenja (2 ak. h.)
Tri vrste strojnega učenja.
Shema za gradnjo sistemov strojnega učenja.
Potrebna orodja.
Vadite ustvarjanje delovnega okolja in uporabo Anaconde in Jupyter Notebook.

Modul 2. Usposabljanje z učiteljem. Klasifikacijski problem (6 ak. h.)
Koncept nevronske mreže.
Perceptron. Definicija, izvedba in usposabljanje.
Prilagodljivi linearni nevron. Definicija, izvedba in usposabljanje.
Metoda gradientnega spuščanja.
Stohastični gradientni spust v prilagodljivem linearnem nevronu.
Dinamično učenje na velikih podatkih.
Vadite z modelom in nabori podatkov Scikit-Learn.
Vadite v Jupyter Notebook.
Modul 3. Knjižnica scikit-learn, njene glavne značilnosti (6 ac. h.)
Usposabljanje za perceptron.
Metoda logistične regresije.
Podporni vektorski stroj.
Metoda k-najbližjih sosedov.
Odločitvena drevesa.
Ansambel poljubnih dreves.
Vadite v Jupyter Notebook.
Modul 4. Usposabljanje z učiteljem. Problem regresije (6 ak. h.)
Usposabljanje z učiteljem. Problem regresije.
Linearna regresija.
Metoda najmanjših kvadratov.
Metoda gradientnega spuščanja.
Delo z emisijami. algoritem RANSAC().
Bootstrap tehnika za regresijske koeficiente.
Ocenjevanje kakovosti regresijskega modela.
Osnove nelinearne regresije.
Vadite v Jupyter Notebook.
Modul 5. Predobdelava podatkov, izbira funkcij in modelov (6 ac. h.)
Ravnanje z manjkajočimi podatki.
Obdelava kategorij.
Modeli predprocesiranja in usposabljanja.
Izbor pomembnih značilnosti.
Raziskovanje pomembnih značilnosti z uporabo naključnih gozdov.
Cevovodi strojnega učenja.
Navzkrižno preverjanje in izbira modela.
Vadite v Jupyter Notebook.
Modul 6. Učenje brez učitelja. Analiza grozdov (6 ac. h.)
Metoda K-sredstev.
Analiza glavnih komponent.
Linearna diskriminantna analiza.
Hierarhično združevanje v gruče.
Grozdenje po gostoti.
Vadite v Jupyter Notebook.
Modul 7. Osnove globokega učenja (8 ac. h.)
Grafi in porazdeljeno računalništvo.
Namestitev Tensorflow.
Tenzorji.
Nizi podatkov.
Aplikacijski vmesnik (API) Keras.
Linearna regresija s stohastičnim gradientnim spustom.
Klasifikacija podatkov Iris z dvoslojno nevronsko mrežo.
Aktivacijske funkcije nevronskih plasti.
Klasifikacija podatkov MNIST.
Vadite v Google Colab.