Online kurz Základy Machine learningu v Pythone je reakciou na akademický a praktický boom v oblasti strojového učenia, ktorého sme v posledných rokoch svedkami. Nejedná sa len o krátkodobý „hype“, ale s ohľadom na každodenné úspechy a budúci potenciál hovoríme o dôležitej znalosti, ktorá by nemala uniknúť pozornosti moderného programátora, analytika, marketéra, obchodníka či manažéra. Keď sa chceš naučiť ako na machine learning, tento kurz je pre teba vhodný.
Cieľom kurzu je zoznámiť sa s podstatou Machine learningu, s princípmi, na ktorých funguje a s terminológiou, ktorú používa. Podáva taktiež predstavu o tom, aké úlohy možno s využitím Machine learningu vyriešiť a akým spôsobom preniká do našich životov. Jednotlivé kroky prípravy dát, všeobecného procesu trénovania a ladenia modelov si prakticky ukážeme na názornom projekte. V kurze budeme používať Python, pretože je aktuálne najobľúbenejším programovacím jazykom pre Machine learning a uľahčí nám množstvo práce.
Pri výklade sa budeme držať jednoduchých príkladov, na ktorých si názorne vysvetlíme zložitejšie témy. Oblasť Machine learningu alebo strojového učenia je totiž nesmierne dynamickou a širokou študijnou oblasťou, nie je teda v našom záujme utopiť sa v detailoch, kóde či rovniciach. Zámerom je naopak dobre pochopiť všeobecné princípy a vybudovať si tak solídne základy, na ktorých môžeme stavať pri ďalšom štúdiu pokročilejších konceptov či algoritmov. Berte teda tento kurz ako odrazový mostík pri spoznávaní tejto fascinujúcej oblasti.
Pre všetkých, ktorí sa chcú naučiť, ako na machine learning v Pythone. Kurz je koncipovaný ako vstupná brána do tohoto zaujímavého odvetvia. Bude teda prínosom predovšetkým pre tých, ktorí nemajú s Machine learningom žiadne predchádzajúce skúsenosti. Znalosť programovacieho jazyka Python je výhodou, nie však nutnou podmienkou, pretože jednotlivé kódy sú okomentované a vysvetlené. Zložitejšie témy sú taktiež doplnené o ilustratívne príklady, aby boli ľahšie pochopiteľné.
Intro do kurzu
Úvod do kurzu
Machine Learning v Pythone
1 - Predstavenie Machine learningu
2 - Python a Anaconda
3 - Dôležité knižnice, s ktorými budeme pracovať
4 - Základné rozdelenie algoritmov a úloh
5 - Všeobecný popis procesu strojového učenia
6 - Jednotlivé kroky učenia z dát
7 - Dáta - palivo pre Machine learning
8 - Spoznávame dáta s Pandas
9 - Predstavenie projektu Iris
10 - Výber algoritmu
11 - Koncept vzdialenosti a podobnosti pri využití K-Nearest Neighbors
12 - Preprocessing - missing values
13 - Preprocessing - encoding
14 - Preprocessing - feature scaling
15 - Feature selection
16 - Overfitting a Underfitting
17 - Ako na Overfitting?
18 - Spyder a príprava dát pre náš projekt
19 - Trénovanie modelu
20 - Spôsoby hodnotenia úspešnosti modelov
21 - Iris projekt - počítame a vizuálne zobrazujeme presnosť modelu
22 - Hyperparameter tuning
23 - Feature engineering