Výukový program strojového učení pokrývá základní a pokročilé koncepty, speciálně navržený tak, aby vyhovoval jak studentům, tak zkušeným profesionálům.

Tento výukový program strojového učení vám pomůže získat solidní úvod do základů strojového učení a prozkoumat širokou škálu technik, včetně učení pod dohledem, bez dozoru a posilování.

Strojové učení (ML) je subdoménou umělé inteligence (AI), která se zaměřuje na vývoj systémů, které se učí – nebo zlepšují výkon – na základě dat, která zpracovávají. Umělá inteligence je široké slovo, které označuje systémy nebo stroje, které se podobají lidské inteligenci. Strojové učení a AI jsou často diskutovány společně a termíny se občas používají zaměnitelně, i když neznamenají totéž. Zásadní rozdíl je v tom, že zatímco veškeré strojové učení je AI, ne všechna AI je strojové učení.

stav git

Co je strojové učení?

Strojové učení je obor, který dává počítačům schopnost učit se, aniž by byly explicitně naprogramovány. ML je jedna z nejvíce vzrušujících technologií, se kterou se člověk kdy setkal. Jak je patrné z názvu, dává počítači, díky kterému je více podobný lidem: Schopnost učit se. Strojové učení se dnes aktivně využívá, možná na mnohem více místech, než by se dalo čekat.

Nedávné články o strojovém učení

Obsah

• Úvod
• Učení bez dozoru
• Posílení učení
• Redukce rozměrů
• Zpracování přirozeného jazyka
• Neuronové sítě
• ML – Deployment
• ML – Aplikace
• Různé

Vlastnosti strojového učení

• Strojové učení je technologie založená na datech. Velké množství dat generovaných organizacemi na denní bázi. Díky pozoruhodným vztahům v datech tedy organizace činí lepší rozhodnutí.
• Stroj se může sám učit z minulých dat a automaticky se zlepšovat.
• Z daného datového souboru detekuje různé vzory na datech.
• Pro velké organizace je branding důležitý a bude snazší zaměřit se na relevantní zákaznickou základnu.
• Je to podobné jako data mining, protože se také zabývá obrovským množstvím dat.

Úvod :

1. Začínáme se strojovým učením
2. Úvod do strojového učení
3. Co je strojové učení?
4. Úvod do dat ve strojovém učení
5. Demystifikování strojového učení
6. ML – Aplikace
7. Nejlepší Python knihovny pro strojové učení
8. Umělá inteligence | Úvod
9. Strojové učení a umělá inteligence
10. Rozdíl mezi strojovým učením a umělou inteligencí
11. Agenti v umělé inteligenci
12. 10 otázek k pohovoru o základním strojovém učení

Porozumění zpracování dat

Python | Vytvořte testovací datové sady pomocí Sklearn

Python | Generujte testovací datové sady pro strojové učení

Python | Předzpracování dat v Pythonu

Čištění dat

Měřítko funkcí – část 1

Měřítko funkcí – část 2

Python | Label Kódování datových sad

Python | Jedno horké kódování datových sad

Zpracování nevyvážených dat pomocí algoritmu SMOTE a Near Miss v Pythonu

Falešná proměnná past v regresních modelech

Výuka pod dohledem:

1. Začínáme s klasifikací
2. Základní koncept klasifikace
3. Typy regresních technik
4. Klasifikace vs regrese
5. ML | Typy učení – řízené učení
6. Vícetřídní klasifikace pomocí scikit-learn
7. Gradientní sestup:
   • Gradient Descent algoritmus a jeho varianty
   • Stochastický gradient sestup (SGD)
   • Mini-Batch Gradient Descent s Pythonem
   • Optimalizační techniky pro Gradient Descent
   • Úvod do nástroje pro optimalizaci přechodu založeného na hybnosti
8. Lineární regrese:
   • Úvod do lineární regrese
   • Gradientní sestup v lineární regresi
   • Matematické vysvětlení pro práci s lineární regresí
   • Normální rovnice v lineární regresi
   • Lineární regrese (implementace Pythonu)
   • Jednoduchá lineární regrese pomocí R
   • Jednorozměrná lineární regrese v Pythonu
   • Vícenásobná lineární regrese pomocí Pythonu
   • Vícenásobná lineární regrese pomocí R
   • Lokálně vážená lineární regrese
   • Zobecněné lineární modely
   • Python | Lineární regrese pomocí sklearn
   • Lineární regrese pomocí Tensorflow
   • Praktický přístup k jednoduché lineární regresi pomocí R
   • Lineární regrese pomocí PyTorch
   • Pyspark | Lineární regrese pomocí Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge s lineární regresí
9. Python | Implementace Polynomiální regrese
10. Softmax regrese pomocí TensorFlow
11. Logistická regrese:
    • Pochopení logistické regrese
    • Proč logistická regrese v klasifikaci?
    • Logistická regrese pomocí Pythonu
    • Nákladová funkce v logistické regresi
    • Logistická regrese pomocí Tensorflow
12. Naivní Bayes Klasifikátory
13. Podpůrný vektor:
    • Podporujte vektorové stroje (SVM) v Pythonu
    • Ladění hyperparametrů SVM pomocí GridSearchCV
    • Podpora vektorových strojů (SVM) v R
    • Použití SVM k provedení klasifikace na nelineární datové sadě
14. Rozhodovací strom:
15. • Rozhodovací strom
    • Regrese rozhodovacího stromu pomocí sklearn
    • Rozhodovací strom Úvod s příkladem
    • Implementace rozhodovacího stromu pomocí Pythonu
    • Rozhodovací strom v softwarovém inženýrství
15. Náhodný les:
    • Náhodná lesní regrese v Pythonu
    • Klasifikátor souboru
    • Hlasovací klasifikátor pomocí Sklearnu
      
    • Klasifikátor pytlování

Učení bez dozoru:

1. ML | Typy učení – Učení bez dozoru
2. Učení pod dohledem a bez dozoru
3. Shlukování ve strojovém učení
4. Různé typy shlukovacích algoritmů
5. K znamená Clustering – Introduction
6. Elbow Method pro optimální hodnotu k v KMeans
7. Náhodná inicializační past v K-Means
8. ML | Algoritmus K-means++
9. Analýza testovacích dat pomocí K-Means Clustering v Pythonu
10. Mini Batch K-znamená shlukovací algoritmus
11. Shlukování středního posunu
12. DBSCAN – shlukování založené na hustotě
13. Implementace algoritmu DBSCAN pomocí Sklearnu
14. Fuzzy Clustering
15. Spektrální shlukování
16. Shlukování OPTIKA
17. OPTICS Clustering Implementace pomocí Sklearn
18. Hierarchické shlukování (aglomerativní a dělivé shlukování)
19. Implementace aglomerativního shlukování pomocí Sklearnu
20. Gaussův model směsi

Posílené učení:

1. Posílení učení
2. Algoritmus zesíleného učení: Implementace Pythonu pomocí Q-learningu
3. Úvod do Thompsonova vzorkování
4. Genetický algoritmus pro posílení učení
5. SARSA posilovací učení
6. Q-Learning v Pythonu

Redukce rozměrů:

1. Úvod do redukce rozměrů
2. Úvod do Kernel PCA
3. Analýza hlavních komponent (PCA)
4. Analýza hlavních komponent v Pythonu
5. Přibližné hodnoty nízkého hodnocení
6. Přehled lineární diskriminační analýzy (LDA)
7. Matematické vysvětlení lineární diskriminační analýzy (LDA)
8. Generalizovaná analýza diskriminace (GDA)
9. Nezávislá analýza komponent
10. Mapování funkcí
11. Extra stromový klasifikátor pro výběr funkcí
12. Chí-kvadrát test pro výběr funkce – matematické vysvětlení
13. ML | Algoritmus T-distribuovaného stochastického vkládání sousedů (t-SNE).
14. Python | Jak a kde použít funkci Feature Scaling?
15. Parametry pro výběr funkce
16. Underfitting a Overfitting ve strojovém učení

Zpracování přirozeného jazyka:

1. Úvod do zpracování přirozeného jazyka
2. Předzpracování textu v Pythonu | Sada - 1
3. Předzpracování textu v Pythonu | Sada 2
4. Odstranění zastavovacích slov pomocí NLTK v Pythonu
5. Tokenizujte text pomocí NLTK v pythonu
6. Jak funguje tokenizace textu, vět, slov
7. Úvod do Stemmingu
8. Odvozování slov pomocí NLTK
9. Lematizace pomocí NLTK
10. Lemmatizace pomocí TextBlob
11. Jak získat synonyma/antonyma z NLTK WordNet v Pythonu?

Neuronové sítě:

1. Úvod do umělých neutrálních sítí | Sada 1
2. Úvod do umělé neuronové sítě | Sada 2
3. Úvod do ANN (Umělé neuronové sítě) | Sada 3 (hybridní systémy)
4. Úvod do ANN | Sada 4 (architektury sítí)
5. Aktivační funkce
6. Implementace tréninkového procesu umělé neuronové sítě v Pythonu
7. Jedno neuronová neuronová síť v Pythonu
8. Konvoluční neuronové sítě
   • Úvod do konvoluční neuronové sítě
   • Úvod do sdružovací vrstvy
   • Úvod do vycpávky
   • Typy výplní v konvoluční vrstvě
   • Použití konvoluční neuronové sítě na datovou sadu mnist
9. Rekurentní neuronové sítě
   • Úvod do rekurentní neuronové sítě
   • Vysvětlení opakujících se neuronových sítí
   • model seq2seq
   • Úvod do dlouhodobé krátkodobé paměti
   • Vysvětlení sítí dlouhodobé krátkodobé paměti
   • Gated Recurrent Unit Networks (GAN)
   • Generování textu pomocí Gated Recurrent Unit Networks
10. GANs – Generative Adversarial Network
    • Úvod do Generative Adversarial Network
    • Generative Adversarial Networks (GAN)
    • Případy použití generativních nepřátelských sítí
    • Budování generativní adversariální sítě pomocí Keras
    • Modální kolaps v sítích GAN
11. Úvod do hlubokého Q-Learningu
12. Implementace Deep Q-Learning pomocí Tensorflow

ML – nasazení:

1. Nasaďte svou webovou aplikaci Machine Learning (Streamlit) na Heroku
2. Nasaďte model strojového učení pomocí knihovny Streamlit
3. Nasaďte model strojového učení pomocí Flask
4. Python – Vytvářejte uživatelská rozhraní pro prototypování modelu strojového učení pomocí Gradio
5. Jak připravit data před nasazením modelu strojového učení?
6. Nasazení modelů ML jako API pomocí FastAPI
   
7. Nasazení Scrapy spider na ScrapingHub

ML – Aplikace:

1. Predikce srážek pomocí lineární regrese
2. Identifikace ručně psaných číslic pomocí logistické regrese v PyTorch
3. Diagnostika rakoviny prsu Kaggle ve Wisconsinu pomocí logistické regrese
4. Python | Implementace systému Movie Recommender System
5. Podporujte Vector Machine k rozpoznání obličejových rysů v C++
6. Rozhodovací stromy – Falešná (padělaná) skládačka mincí (12 hlavolamů)
7. Detekce podvodů s kreditní kartou
8. NLP analýza recenzí restaurací
9. Aplikace Multinomial Naive Bayes na problémy NLP
10. Komprese obrazu pomocí shlukování K-means
11. Hluboké učení | Generování popisků obrázků pomocí postav Avengers EndGames
12. Jak Google používá strojové učení?
13. Jak NASA využívá strojové učení?
14. 5 úžasných způsobů, jak Facebook využívá strojové učení
    
15. Cílená reklama pomocí strojového učení
16. Jak strojové učení používají slavné společnosti?

Různé:

1. Rozpoznávání vzorů | Úvod
2. Vypočítat účinnost binárního klasifikátoru
3. Logistická regrese v/s klasifikace rozhodovacího stromu
4. R vs Python v Datascience
5. Vysvětlení základních funkcí zahrnutých v algoritmu A3C
6. Diferenciální soukromí a hluboké učení
7. Umělá inteligence vs strojové učení vs hluboké učení
8. Úvod do Multi-Task Learning (MTL) pro hluboké učení
9. Top 10 algoritmů, které by měl znát každý inženýr strojového učení
10. Azure Virtual Machine pro strojové učení
11. 30 minut strojového učení
12. Co je AutoML ve strojovém učení?
13. Matice zmatení ve strojovém učení

Předpoklady naučit se strojové učení

• Znalost lineárních rovnic, grafů funkcí, statistiky, lineární algebry, pravděpodobnosti, počtu atd.
• Doporučuje se jakákoli znalost programovacího jazyka jako Python, C++, R.

Časté dotazy k výukovému programu strojového učení

Q.1 Co je strojové učení a jak se liší od hlubokého učení?

Odpovědět :

Strojové učení vyvíjí programy, které mohou přistupovat k datům a učit se z nich. Hluboké učení je dílčí doménou strojového učení. Hluboké učení podporuje automatickou extrakci funkcí z nezpracovaných dat.

Q.2. Jaké jsou různé typy algoritmů strojového učení?

Odpovědět :

• Kontrolované algoritmy: Jedná se o algoritmy, které se učí z označených dat, např. obrázky označené psí tváří nebo ne. Algoritmus závisí na kontrolovaných nebo označených datech. např. regrese, detekce objektů, segmentace.
• Non-Supervised algorithms: Jedná se o algoritmy, které se učí z neoznačených dat, např. hromada obrázků daných k vytvoření podobné sady obrázků. např. shlukování, redukce rozměrů atd.
• Algoritmy s částečným dohledem: Algoritmy, které používají data pod dohledem i bez dohledu. Většina dat používaných pro tyto algoritmy nejsou kontrolovaná data. např. detekce anamoly.

Q.3. Proč používáme strojové učení?

Odpovědět :

Strojové učení se používá k rozhodování na základě dat. Modelováním algoritmů na základě historických dat Algoritmy nalézají vzorce a vztahy, které je pro člověka obtížné odhalit. Tyto vzory jsou nyní dále používány pro budoucí reference k predikci řešení neviditelných problémů.

Q.4. Jaký je rozdíl mezi umělou inteligencí a strojovým učením?

Odpovědět :

UMĚLÁ INTELIGENCE	STROJOVÉ UČENÍ
Vyviňte inteligentní systém, který bude provádět různé složité úlohy.	Konstruujte stroje, které dokážou vykonávat pouze úkoly, pro které jsou vyškoleni.
Funguje to jako program, který dělá chytrou práci.	Úlohy systémy stroj bere data a učí se z dat.
AI má širokou škálu aplikací.	ML umožňuje systémům učit se nové věci z dat.
AI vede moudrost.	ML vede k poznání.