Praktické aplikace strojového učení

Studijní plán:

Sylabus

• Úvod do strojového učení (hlavní pojmy, historie, současnost, algoritmy, typy úloh, výzvy a problémy; prakticky: lineární regrese)
  
• Základní praktiky strojového učení (doporučený pracovní postup při řešení úloh strojového učení; prakticky: projekt strojového učení od začátku do konce)
  
• Klasifikace entit (binární a multiclass klasifikace; prakticky: rozpoznávání psaných číslic)
  
• Trénování modelů (metoda Gradient Descent; prakticky: Titanic dataset)
  
• Pokročilé metody klasifikace (Support Vector Machines, Rozhodovací stromy, Random Forest; prakticky: SPAM filtr)
  
• Učení bez učitele (shlukování, redukce dimenzionality, detekce anomalit; prakticky: doporučovací systém)
  
• Neuronové sítě a Deep Learning (principy a klíčové pojmy, framework Keras; prakticky: binární a multiclass klasifikace, regrese)
  
• Deep Learning pro počítačové vidění (konvoluční neuronové sítě; prakticky: rozpoznávání objektů v obrazu, rozpoznávání obličejů)
  
• Deep Learning pro texty a sekvenční data (word embeddings, předtrénované modely; prakticky: rekurentní neuronové sítě)
  
• Generativní Deep Learning (variační autoenkodéry, GAN, transformery; prakticky: generování textu, přenos stylu obrazů, generování obrazů)
  

Doporučená literatura

• GÉRON, A., Hands-on machine learning with Scikit-Learn, Keras and TensorFlow : concepts, tools, and techniques to build intelligent systems Beijing O'Reilly, 2019, 978-1-4920-3264-9
• CHOLLET, F., Deep learning v jazyku Python : knihovny Keras, TensorFlow, Praha, Grada Publishing, 2019, 978-80-247-3100-1
• COELHO, L P. -- RICHERT, W., Building machine learning systems with Python, Birmingham, Packt Publishing, 2013, 978-1-78216-140-0

Anotace

^ nahoru ^