AI pro zpracování sekvenčních dat

Na kurzu se naučíme, co jsou to hluboké neuronové sítě, z čeho se skládají a jaké architektury se používají pro zpracování sekvenčních dat. Na praktickém use case připravíme data a natrénujeme několik modelů. Praktické programování budeme dělat v Pythonu, pomůže nám v tom framework TensorFlow a ekosystém Hugging Face.

Lektor kurzu

RNDr. VINCENT ČENĚK KRÍŽ, Ph.D.

Vincent Čeněk Kríž vystudoval počítačovou lingvistiku na MFF UK a strojovým učením se profesionálně zabývá od roku 2011. Má zkušenosti s vývojem systémů strojového učení pro významné společnosti a aktuálně působí jako seniorní ML specialista ve společnosti Tipsport.

Více o lektorovi

Během své profesní kariéry vyvíjel systémy pro společnosti Textkernel, ČSOB a RARE Technologies.

Pracoval také jako Lead Data Scientist ve společnosti Alma Career, provozovateli pracovního portálu Jobs.cz. Aktuálně pracuje jako seniorní ML specialista ve společnosti Tipsport.

Cílová skupina

Obsah kurzu a probírané příklady rádi přizpůsobíme podle potřeb účastníků:

• Pro programátory, lead engineery a IT architekty. Kurz vám poskytne vhled do návrhu, vývoje a deploymentu vlastních AI modelů.
• Pro administrátory a DevOps specialisty. Kurz vám poskytne praktické způsoby, jak použít AI v oblasti zpracování sekvenčních dat, například logů, monitoringu, alertingu nebo detekce anomálií.

Cíl kurzu

Kurz vás srozumitelně provede úvodem do neuronových sítí. Následně na praktických use cases ukážeme přípravu dat, trénování, ladění a evaluaci modelů pro zpracování sekvenčních dat.

Osnova kurzu

• Úvod do neuronových sítí
• Seznámení s workspace (Jupyter Notebook)
• Seznámení s frameworkem TensorFlow
• Základní architektura neuronových sítí
  • perceptron, vstupní, skryté a výstupní vrstvy
  • aktivační funkce
  • trénování neuronových sítí
  • ztrátová funkce, gradient descent, zpětná propagace
• Zpracování sekvenčních dat
• Rekurentní neuronové sítě
• LSTM
• Mechanismus Attention a Transformers
• Embeddings, generativní AI
• Práce s ekosystémem Hugging Face a velkými jazykovými modely

Předpoklady účastníka

• V kurzu předpokládáme znalost strojového učení, ideálně absolvování kurzu Úvod do strojového učení.
• Účastníci workshopu se zájmem o teoretickou rovinu nejsou vázáni žádnými předpoklady pro účast.
• Pro účastníky se zájmem o praktické implementace se předpokládá základní znalost programování v Pythonu.

Další požadavky

Pro účastníky kurzu bude připraven online workspace v podobě Jupyter Notebooků, ve kterých budou programovat úkoly pro procvičení všech probíraných metod.