Python za strojno učenje - tečaj 49 990 RUB. od specijalista, edukacija, Datum: 27.11.2023.

Tečaj se fokusira na korištenje Pythona za tehnologije strojnog učenja. Proučavaju se glavne biblioteke koje se koriste u strojnom učenju i metode za njihovo korištenje.
Tečaj se izvodi na temelju biblioteka za strojno učenje Scikit-Learn i TensorFlow. Tijekom procesa učenja aktivno se koriste razvojni alati Jupyter Notebook i Jupyter-Lab. Također se koriste Google Colab resursi računalstva u oblaku.
Tečaj se preporučuje Python programerima i stručnjacima za podatkovnu znanost.

Naučit ćeš:
primijeniti tehnologije strojnog učenja;
koristiti modele klasifikacije, regresije, klasteriranja;
koristiti metode predobrade podataka i pokrove strojnog učenja;
odabrati modele strojnog učenja na temelju kvalitete svog rada;
produbiti svoje znanje o Pythonu, ovladati suvremenim alatima za razvoj modela strojnog učenja.

Modul 1. Izjava o problemu strojnog učenja (2 ak. h.)
Tri vrste strojnog učenja.
Shema za konstruiranje sustava strojnog učenja.
Potreban alat.
Vježbajte stvaranje radnog okruženja i korištenje Anaconde i Jupyter Notebooka.

Modul 2. Trening s učiteljem. Problem klasifikacije (6 ak. h.)
Pojam neuronske mreže.
Perceptron. Definicija, implementacija i obuka.
Adaptivni linearni neuron. Definicija, implementacija i obuka.
Metoda gradijentnog spuštanja.
Stohastički gradijentni pad u adaptivnom linearnom neuronu.
Dinamičko učenje na velikim podacima.
Vježbajte s modelom i Scikit-Learn skupovima podataka.
Vježbajte u Jupyter bilježnici.
Modul 3. Knjižnica scikit-learn, njezine glavne značajke (6 ac. h.)
Perceptron trening.
Metoda logističke regresije.
Potporni vektorski stroj.
Metoda k-najbližih susjeda.
Stabla odlučivanja.
Ansambl proizvoljnih stabala.
Vježbajte u Jupyter bilježnici.
Modul 4. Trening s učiteljem. Problem regresije (6 ak. h.)
Trening s učiteljem. Problem regresije.
Linearna regresija.
Metoda najmanjeg kvadrata.
Metoda gradijentnog spuštanja.
Rad s emisijama. RANSAC() algoritam.
Bootstrap tehnika za regresijske koeficijente.
Procjena kvalitete regresijskog modela.
Osnove nelinearne regresije.
Vježbajte u Jupyter bilježnici.
Modul 5. Predobrada podataka, izbor značajki i modela (6 ak. h.)
Rukovanje podacima koji nedostaju.
Obrada kategorija.
Modeli predprocesiranja i obuke.
Izbor značajnih obilježja.
Istraživanje značajnih značajki pomoću nasumičnih šuma.
Cjevovodi strojnog učenja.
Unakrsna provjera valjanosti i odabir modela.
Vježbajte u Jupyter bilježnici.
Modul 6. Učenje bez učitelja. Klaster analiza (6 ak. h.)
Metoda K-značenja.
Analiza glavnih komponenti.
Linearna diskriminantna analiza.
Hijerarhijsko grupiranje.
Grupiranje po gustoći.
Vježbajte u Jupyter bilježnici.
Modul 7. Osnove dubokog učenja (8 ak. h.)
Grafovi i distribuirano računalstvo.
Instaliranje Tensorflowa.
Tenzori.
Skupovi podataka.
Aplikacijsko sučelje (API) Keras.
Linearna regresija sa stohastičkim gradijentnim spuštanjem.
Klasifikacija Iris podataka dvoslojnom neuronskom mrežom.
Aktivacijske funkcije slojeva neurona.
MNIST klasifikacija podataka.
Vježbajte u Google Colabu.