Jak algoritmy vidí a čtou v machine learningu?

Tento kurz slouží jako vstupní brána do světa neuronových sítí, zpracování obrázků a textu pomocí machine learning. Naučíte se, co jsou neurové sítě, jak vznikly, jak fungují a jak se trénují.

Na konci kurzu budete umět vytrénovat vlastní neuronovou síť pomocí knihovny scikit-learn. Neuronové sítě jsou často používané při počítačovém vidění a zpracování přirozeného jazyka. Naučíte se, jak s obrázky pracovat pomocí knihovny OpenCV. Pochopíte myšlenku za konvoluční neuronovou sítí, která je využívaná na zpracování obrázků. Díky tomuto kurzu budete schopní pracovat i na projektech, kde jsou vstupními daty text. Ukážeme si jak překonvertovat text na čísla, s kterými dokážou modely strojového učení pracovat. Na konci kurzu budete umět aplikovat například v praxi s velmi často používanou metodu TF_IDF.

Cílová skupina:

• Data-enthusiasts
• Database specialists
• Data architects
• Data analysts
• Data engineers
• Cloud engineers
• Domain specialists
• Software engineers
• Risk managers
• STEM backgrounds
• Database specialists
• Data analysts

Osnova:

• Úvod do neurónových sítí
  • Co jsou neuronové sítě, jak vznikly, jak fungují a co je dělá jedinečnými
  • Perceptron
  • Vícevrstvý perceptron (multilayer perceptron)
  • Jednotlivé nejdůležitější komponenty neuronových sítí: vrstvy, neurony, váhy, aktivační funkce
  • Myšlenka trénování neuronových sítí pomocí backpropagation
  • Sestavení a natrénování neuronové sítě v scikit-learn knihovně
  • Typy neuronových sítí
  • Knihovna na trénování neuronových sítí
  • Cvičení v Jupyter Notebooku na natrénování neuronové sítě pomocí scikit-learn
• Úvod do počítačového vidění
  • Jak vzniklo počítačové vidění
  • Aplikace počítačového vidění
  • Jak vidí počítače obrázky
  • Intuice o konvoluci
  • Konvoluční neuronová síť
  • Idea klasifikace obrázků
  • Cvičení v Jupyter Notebooku na práci s obrázkami pomocí knihovny openCV
• Úvod do zpracování přirozeného jazyka
  • O čem je zpracovaní přirozeného jazyka
  • Aplikace zpracovaní přirodzeného jazyka
  • Práce s textovými daty a jejich úprava
  • Algortimy na konverzi textu na čísla: Bag of Words a TF-IDF
  • Cvičeni v Jupyter Notebooku na přípravu a zpracování textu a použití Bag of Words a TF-IDF pomocí scikti-learn

Předpoklady účastníka:

• Předcházející zkušenost s Pythonem, především zkušenost s knihovnou scikit-learn
• Znalost základních principů datové vědy
• Schopnost pracovat s Jupyter Notebooky