Pokročilý Machine Learning v Pythonu
- Level
- Kapitol
- 41
- Kategorie
- Programování
- Hodnocení
- 5,0 z 5
- Délka
- 5h 28min
- Jazyk
- SK
Popis kurzu Pokročilý Machine Learning v Pythonu
Chceš posunout své dovednosti v Machine Learningu na úroveň profesionála? Tento kurz tě tam dostane! Kurz Pokročilý Machine Learning v Pythonu je navržen pro každého, kdo už ovládá základy, ale chce se naučit používat techniky, které v praxi využívají ti nejlepší data scientisté na světě.
V dnešním světě údajů už nestačí umět napsat jednoduchý lineární model. Firmy hledají odborníky, kteří rozumějí pokročilým algoritmům, dokáží optimalizovat modely pro produkční prostředí a řeší reálné business problémy s measuritelným dopadem. Tento kurz ti dává přesně ty dovednosti, po kterých nejvíce volají zaměstnavatelé.
V dnešním světě údajů už nestačí umět napsat jednoduchý lineární model. Firmy hledají odborníky, kteří rozumějí pokročilým algoritmům, dokáží optimalizovat modely pro produkční prostředí a řeší reálné business problémy s measuritelným dopadem. Tento kurz ti dává přesně ty dovednosti, po kterých nejvíce volají zaměstnavatelé.
Co se v kurzu Pokročilý Machine Learning v Pythonu naučíte?
1. Distance-based learning: Algoritmy založené na měření vzdáleností
Zamysleli jste se někdy, jak Netflix ví, jaký film vám doporučit, nebo jak e-shop navrhne produkty, které vás okamžitě zaujmou? Odpověď se skrývá v Distance-based learningu. V kurzu se naučíš jak vytvářet a používat algoritmy založené na měření vzdáleností, které jsou základem mnoha moderních aplikací, od personalizace obsahu až po odhalování podvodných transakcí. Ukážeme si standardní řešení i pokročilé a kreativní přístupy, které ti umožní zvládnout jakýkoli dataset, se kterým se setkáš.
2. Nevybalancovaná data
Nevybalancovaná data potkáš v praxi téměř všude. A přestože se na první pohled nemusí zdát jako velký problém, mohou mít opravdu negativní vliv na tvůj prediktivní model. V této kapitole si nejprve přesně ukážeme, v čem spočívá jejich nebezpečí a proč se při nich nemůžeme spoléhat na běžné metriky, jako je přesnost (accuracy). Následně se podíváme na dvě konkrétní řešení, kterými jsou Oversampling a Undersampling.
3. Ensemble modely
V poslední kapitole se naučíš používat Ensemble modely, přičemž začneme s Bagging přístupem, který nabízí extrémně robustní modely, odolné i vůči drobným změnám v datech. Detailně se podíváme na nejpopulárnější algoritmy jako je například ExtraTrees Ensemble, který je ideální pro většinu standardních problémů. V rámci unsupervised learningu si ukážeme použití algoritmu Isolation Forest.
Dále přejdeme k Boostingu, kdy se modely učí z chyb předchozích modelů. Budeme se věnovat moderním a v praxi využívaným algoritmům jako jsou XGBoost, LightGBM a CatBoost.
Kurz završíme technikou Stacking, kdy budeme kombinovat několik typů modelů a jejich výsledky zkombinujeme pomocí speciálního “meta-modelu”. Projdeme si základní přístupy jako Soft Voting, ale také pokročilé implementace jako Stacked generalization, Deep Ensemble modely nebo Model Distillation.
Zamysleli jste se někdy, jak Netflix ví, jaký film vám doporučit, nebo jak e-shop navrhne produkty, které vás okamžitě zaujmou? Odpověď se skrývá v Distance-based learningu. V kurzu se naučíš jak vytvářet a používat algoritmy založené na měření vzdáleností, které jsou základem mnoha moderních aplikací, od personalizace obsahu až po odhalování podvodných transakcí. Ukážeme si standardní řešení i pokročilé a kreativní přístupy, které ti umožní zvládnout jakýkoli dataset, se kterým se setkáš.
2. Nevybalancovaná data
Nevybalancovaná data potkáš v praxi téměř všude. A přestože se na první pohled nemusí zdát jako velký problém, mohou mít opravdu negativní vliv na tvůj prediktivní model. V této kapitole si nejprve přesně ukážeme, v čem spočívá jejich nebezpečí a proč se při nich nemůžeme spoléhat na běžné metriky, jako je přesnost (accuracy). Následně se podíváme na dvě konkrétní řešení, kterými jsou Oversampling a Undersampling.
3. Ensemble modely
V poslední kapitole se naučíš používat Ensemble modely, přičemž začneme s Bagging přístupem, který nabízí extrémně robustní modely, odolné i vůči drobným změnám v datech. Detailně se podíváme na nejpopulárnější algoritmy jako je například ExtraTrees Ensemble, který je ideální pro většinu standardních problémů. V rámci unsupervised learningu si ukážeme použití algoritmu Isolation Forest.
Dále přejdeme k Boostingu, kdy se modely učí z chyb předchozích modelů. Budeme se věnovat moderním a v praxi využívaným algoritmům jako jsou XGBoost, LightGBM a CatBoost.
Kurz završíme technikou Stacking, kdy budeme kombinovat několik typů modelů a jejich výsledky zkombinujeme pomocí speciálního “meta-modelu”. Projdeme si základní přístupy jako Soft Voting, ale také pokročilé implementace jako Stacked generalization, Deep Ensemble modely nebo Model Distillation.
Pro koho je tento kurz vhodný?
Kurz Pokročilý Machine Learning v Pythonu je určen pro každého, kdo už má základy Machine Learningu a chce se posunout na profesionální úroveň. Je ideální pro:
- Studenty a absolventy s teoretickými vědomostmi, kteří chtějí získat praktické dovednosti pro řešení reálných problémů.
- Junior Data Scientisty, kteří chtějí překonat časté výzvy v praxi, jako jsou nevybalancovaná data nebo komplexní smíšené datasety.
- Analytiky a programátory, kteří chtějí rozšířit své dovednosti a začít budovat robustní a spolehlivé prediktivní modely, které jsou využitelné v reálném světě.
Tento kurz doporučujeme zejména pro absolventy našeho kurzu "Machine Learning v Pythonu", kde získali pevný základ v oblasti tvorby prediktivních modelů, zpracování dat a základních metrik vyhodnocování modelů.
Co po kurzu dokážete a co si odnesete?
Po absolvování kurzu budete vědět:
- Navrhovat a implementovat distance-based modely
- Identifikovat a efektivně řešit problém nevybalancovaných dat, který často způsobuje nespolehlivé predikce v reálných projektech.
- Používat Oversampling a Undersampling techniky
- Vytvářet a aplikovat ensemble modely jako ExtraTrees a rozumět, kdy je tento přístup vhodný
- Ovládat pokročilé boosting algoritmy (XGBoost, LightGBM a CatBoost), které patří k nejpoužívanějším v průmyslu.
- Kombinovat vícero modelů pomocí Stackingu a využívat techniky jako Soft Voting, Stacked generalization či Dynamic Ensembles.
- Implementovat moderní koncepty jako Deep Ensembles, Snapshot Ensembling a Model Distillation, což jsou metody využívané ve špičkovém výzkumu i v praxi.
Co je zapotřebí k absolvování kurzu?
- Základní znalost angličtiny: Minimální pasivní znalost na úrovni čtení textu jelikož pro knihovny, o kterých se budeme učit jsou vytvořeny dokumentace v anglickém jazyce. Všechny video tutoriály jsou však ve slovenském jazyce.
- Stabilní internetové připojení.
- Aktualizovaný internetový prohlížeč Google Chrome, Microsoft Edge nebo Mozilla Firefox.
Co všechno dostanete?
- 3 Jupyter notebooky, ve kterých si nejen prakticky vyzkoušíte jednotlivé koncepty, ale můžete je používat jako osobní referenci ve vašem (budoucím) zaměstnání
- video tutoriály o Pokročilém Machine Learningu v Pythonu
- certifikát o absolvování online kurzu Pokročilý Machine Learning v Pythonu
- moderované diskusní fórum, ve kterém na vaše dotazy odpovídá autor kurzu Róbert Barcík,
- garance vrácení peněz do 14 dnů v případě nespokojenosti s kurzem
Kapitoly online kurzu
Vitajte v kurze (3)
Vitajte v kurze!
2:55
Materiály na stiahnutie
Nové materiály kurzu
6:28
Distance-based learning: Algoritmy založené na meraní vzdialeností (9)
Vitajte v kapitole
7:17
Numerické atribúty a ich základné merania vzdialeností
12:46
Numerické atribúty a pokročilé merania vzdialeností
19:22
Merania vzdialeností pre kategorické atribúty
10:49
Bonusová prednáška pre kategorické atribúty
4:09
Problém zmiešaných vstupných atribútov
6:48
Štandardné riešenia pre zmiešané vstupné atribúty
8:05
Kreatívne riešenia zmiešnach vstupných atribútov
8:32
Textové atribúty
4:21
Nevybalansované dáta (8)
Vitajte v kapitole
8:17
Problém nevybalansovaných dát
8:52
Vyhodnotenie modelov s nevybalansovanými dátami: Ktoré metriky použiť?
12:19
Ako môžeme vyriešiť problém nevybalansovaných dát?
12:36
"Naivné" sampling metódy
6:19
Úvod do Informovaných sampling metód
2:21
Informovaný Oversampling
8:04
Informovaný Undersampling
7:43
Ensemble modely (21)
Vitajte v kapitole
3:58
Wisdom of the crowds: "Múdrosť davov"
13:45
Diverzita a kombinovanie predpovedí
11:02
Štandardné prístupy Ensemble modelov
13:20
Bagging modely
12:22
Špeciálny prípad: RandomForest Ensemble
7:02
Špeciálny prípad: ExtraTrees Ensemble
6:47
Isolation Forest
4:58
Boosting modely: AdaBoost
12:17
Gradient Boosting Machines
12:00
XGBoost (Extreme Gradient Boosting)
7:34
LightGBM
9:42
CatBoost
12:40
Stacking modely: Soft Voting
7:53
Dynamické budovanie Ensemble modelu: Dynamic Ensemble Building
5:19
Stacked Generalization
7:04
Deep Ensemble modely
4:58
Dynamic Ensemble modely
3:46
Snapshot Ensembling
3:06
Model Distillation
4:49
Lektor online kurzu
Věnuji se datové vědě a umělé inteligenci v praxi firem. Na Skillmea učím vše od základů Pythonu a machine learningu přes generativní AI, Microsoft Copilot a Claude Code až po AI Act a to, jak AI mění práci a vedení lidí. Mým cílem je, abys AI uměl používat rozumně, bezpečně a se skutečným přínosem.
5,0
Hodnocení
12
Kurzů
Hodnocení studentů
Hodnocení od studentů zapsaných v kurzu na Skillmea.
5,0 z 5
· 3 hodnocení
Marieta P.
5
Student ohodnotil kurz bez slovního komentáře.
Lukáš V.
5
Student ohodnotil kurz bez slovního komentáře.
Matúš Š.
5
Student ohodnotil kurz bez slovního komentáře.
