Wprowadzenie do uczenia maszynowego

Poniżej znajdują się tematy, które mogą zostać poruszone na tym kursie. Rzeczywisty wybór tematów zależy od potrzeb i zainteresowań uczestników kursu.

Uczenie maszynowe: wprowadzenie i objaśnienie głównych pojęć.

O Python/Jupyter

Przegląd głównych bibliotek Pythona do użycia

Analiza danych eksploracyjnych: w teorii

Analiza danych eksploracyjnych: w praktyce

Nadzorowane uczenie: wprowadzenie i objaśnienie głównych pojęć.

• Wyjaśnienie procesu szkolenia: szkolenie/walidacja/testowanie, walidacja krzyżowa
• Podsumowanie: regresja a klasyfikacja
• Funkcje kosztów/strat
• Co robi się podczas szkolenia? Minimalizacja funkcji strat. Przykładowe algorytmy
• Ocena wydajności
• Kroki do udanego budowania modelu

Regresja

 Klasyfikacja

• Algorytmy klasyfikacji
• Zestaw algorytmów
• Ocena wydajności

Uczenie bez nadzoru

• Algorytmy bez nadzoru
• Zestaw algorytmów
• Ocena wydajności

Od laboratorium do produkcji: wyzwania i typowe problemy

Znaczenie przetwarzania rozproszonego w uczeniu maszynowym

Wprowadzenie do sieci neuronowych

• Definicja
• Główne koncepcje
• Demo Tensorflow Playground
• Funkcje aktywacji
• Proces szkolenia sieci neuronowych
• Problemy Multi-class i Softmax
• Konwolucyjna sieć neuronowa
• Demo Keras i objaśnienie biblioteki Keras
• Transfer Learning
• Tuning hiperparametrów

Deep Learning: co to jest i gdzie można go zastosować?

Uczenie maszynowe w mojej organizacji: jak mogę wdrożyć uczenie maszynowe,, biorąc pod uwagę obecne problemy?