Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Duration 28 hours
Course Outline
Uvod u primenjeno mašinsko učenje
- Statističko učenje u odnosu na mašinsko učenje
- Iteracija i evaluacija
- Kompromis između pristrasnosti i varijanse (Bias-Variance trade-off)
- Nadzorovano i bez nadzora učenje
- Problemi rešeni mašinskim učenjem
- Trening, validacija, test – tok rada ML-a za izbegavanje preteranog učestalostima (overfitting)
- Tok rada mašinskog učenja
- Algoritmi mašinskog učenja
- Izbor odgovarajućeg algoritma za problem
Evaluacija algoritama
-
Procena numeričkih predikcija
- Mere tačnosti: ME, MSE, RMSE, MAPE
- Stabilnost parametara i predikcija
-
Procena klasifikacionih algoritama
- Tačnost i njene ograničenja
- Matrica zbunjenosti (confusion matrix)
- Problem neravnoteže klasa
-
Vizualizacija performansi modela
- Kriva profita
- ROC kriva
- Kriva podizanja (lift curve)
- Odabir modela
- Prilagođavanje modela – strategije pretrage mreže (grid search)
Priprema podataka za modelovanje
- Uvoz i čuvanje podataka
- Razumevanje podataka – osnovna istraživanja
- Manipulacija podacima pomoću biblioteke pandas
- Transformacije podataka – uređivanje podataka (data wrangling)
- Eksplorativna analiza
- Nedsačni podaci – otkrivanje i rešenja
- Ekstrene vrednosti – otkrivanje i strategije
- Standardizacija, normalizacija, binarizacija
- Re-kodiranje kvalitativnih podataka
Algoritmi mašinskog učenja za detekciju ekstremskih vrednosti
-
Nadzorovani algoritmi
- KNN
- Ensembl Gradijentno poboljšanje (Gradient Boosting)
- SVM
-
Bez nadzora algoritmi
- Metod zasnovan na rastojanju
- Metod zasnovan na gustini
- Probabilistički metodi
- Metodi zasnovani na modelu
Razumevanje dubokog učenja
- Pregled osnovnih koncepta dubokog učenja
- Razlikovanje između mašinskog i dubokog učenja
- Pregled primena dubokog učenja
Pregled neuronskih mreža
- Šta su neuronske mreže
- Neuronske mreže u odnosu na regresione modele
- Razumevanje matematičkih osnova i mehanizama učenja
- Konstrukcija veštačke neuronske mreže
- Razumevanje neuronskih čvorova i veza
- Rad sa neuronima, slojevima i ulaznim i izlaznim podacima
- Razumevanje jednoslojnih perceptronija
- Razlike između nadzorovanog i bez nadzora učenja
- Učenje feedforward i feedback neuronskih mreža
- Razumevanje forward propagation i back propagation
Izgradnja jednostavnih modela dubokog učenja pomoću Kerasa
- Kreiranje Keras modela
- Razumevanje podataka
- Specifikacija modela dubokog učenja
- Kompajlacija modela
- Prilagođavanje modela (fitting)
- Rad sa klasifikacionim podacima
- Rad sa klasifikacionim modelima
- Korišćenje modela
Rad sa TensorFlowom za duboko učenje
-
Priprema podataka
- Preuzimanje podataka
- Priprema podataka za trening
- Priprema podataka za testiranje
- Skaliranje ulaza
- Korišćenje placeholdera i varijabli
- Specifikacija arhitekture mreže
- Korišćenje funkcije troška
- Korišćenje optimizatora
- Korišćenje inicijalizatora
- Prilagođavanje neuronske mreže
-
Izgradnja grafa
- Inferenca
- Gubitak
- Trening
-
Trening modela
- Graf
- Sessija
- Petlja treninga
-
Evaluacija modela
- Izgradnja grafa za evaluaciju
- Evaluacija pomoću izlaza za evaluaciju
- Trening modela u velikim razmerama
- Vizualizacija i evaluacija modela pomoću TensorBoarda
Primena dubokog učenja u detekciji anomalija
-
Autoencoder
- Arhitektura Encoder - Decoder
- Gubitak rekonstrukcije
-
Varijacioni autoencoder
- Varijaciona inferenca
-
Generativna kontradikciona mreža (GAN)
- Arhitektura Generator – Discriminator
- Pristupi za AN koristeći GAN
Ensembl okviri
- Kombinovanje rezultata različitih metoda
- Bootstrap Aggregating
- Prosečno ocenjivanje ekstremskih vrednosti
Requirements
- Iskustvo sa Python programiranjem
- Osnovna upućenost u statistiku i matematičke koncepte
Publika
- Razvojni inženjeri
- Naučnici podataka
Testimonials (5)
The training provided an interesting overview of deep learning models and related methods. The topic was quite new to me, but now I feel like I actually have an idea of what AI and ML can involve, what these terms consist of and how they can be used advantageously. In general, I liked the approach of starting with the statistical background and the basic learning models, such as linear regression, especially emphasizing the exercises in between.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Anna was always asking if there are questions, and always tried to make us more active by posing questions, which made all of us really involved into the training.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
I liked the way how it is blended with the practices.
Bertan - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
The extensive experience / knowledge of the trainer
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Course - Fundamentals of Artificial Intelligence (AI) and Machine Learning
the VM is a nice idea
