aktivní účast | |
Osvědčení o absolvování programu | |
nejsou uvedeny | |
Pokročilé metody analýzy dat a neuronové sítě: Aplikace v praxi | |
prezenční | |
čeština | |
"Kurz nabízí účastníkům komplexní vhled do pokročilých metod analýzy dat a neuronových sítí a jejich praktického využití. Zahrnuje sofistikované techniky analýzy dat, jako je shluková analýza a rozpoznávání vzorů pomocí neuronových sítí. Účastníci se naučí aplikovat analýzu hlavních komponent, která umožňuje identifikaci klíčových charakteristik datových souborů a redukci jejich dimenzionality. Dále se seznámí s algoritmy jako jsou support vector machine (SVM) a k-nejbližších sousedů, které jsou vhodné pro řešení klasifikačních problémů. V kurzu budou také účastníkům představeny hluboké neuronové sítě s důrazem na predikci časových řad a analýzu vícerozměrných dat. Účastníci se seznámí s řadou aktuálně využívaných architektur hlubokých neuronových sítí a naučí se je využívat pro analýzu jejich vlastních datových sad. Důležitou součástí kurzu je také validace a vyhodnocování přesnosti klasifikace a predikce pomocí neuronových sítí. Účastníci se naučí, jak správně nastavit a vyhodnotit výkonnostní metriky svých modelů a jak efektivně využívat různé techniky validace a optimalizace. Celkově kurz umožňuje účastníkům získat hlubší porozumění pokročilým metodám analýzy dat a neuronovým sítím a získat praktické dovednosti pro jejich aplikaci v různých oblastech, od průmyslových aplikací po vědecký výzkum. Tím účastníkům poskytuje potřebné znalosti a dovednosti pro úspěšnou práci v oblasti analýzy dat a umělé inteligence." |
|
Pokročilé metody analýzy dat a neuronové sítě: Aplikace v praxi | |
Úvod do shlukové analýzy a vybrané metody shlukové analýzy 1: k-nejbližších sousedů, k-means, DBSCAN Aplikace zvolených klasifikačních metod pomocí knihovny Scikit-learn a jejich porovnání Hierarchické shlukování (dendrogram) a vybrané metody shlukové analýzy 2: samoorganizující se mapy Aplikace zvolených klasifikačních metod pomocí knihovny sklearn-som či minisom a jejich porovnání Úvod do neuronových sítí, učení sítí, gradientní metody, multi-layer perceptron (MLP) MLP - univerzální aproximátor, učení neuronových sítí, klasifikace a regrese Aplikace neuronových sítí pro zpracování časových řad Predikce časových řad Aplikace neuronových sítí pro zpracování obrazových dat Problematika klasifikace, detekce objektů, tracking Use case - ukázka pracovního postupu při zpracování nového datasetu Ukázka regresního datasetu Use case - ukázka pracovního postupu při zpracování nového datasetu Ukázka klasifikačního datasetu Vytváření automatických reportů ze zpracovaných dat Automatizace generování reportů s výsledky |
|
10 | |
základy programování v Pythonu | |
podání přihlášky a zaplacení účastnického poplatku |
aktivní účast | |
Osvědčení o absolvování programu | |
nejsou uvedeny | |
Vrba Jan Ing. Ph.D. | |
Ústav matematiky, informatiky a kybernetiky | |
Ústav matematiky, informatiky a kybernetiky | |
VŠCHT v Praze | |
Steinbach Jakub Ing. Vrba Jan Ing. Ph.D. |
2024/2025 | |
letní semestr | |
21.02.25 | |
1 | |
32 hodiny | |
8 lekcí po 4 hodinách = 32 hodin |
14900 Kč / kurz |
On-line | |
Steinbach Jakub Ing. | |
Jakub.Steinbach@vscht.cz | |
220443773 | |
01.05.2024 - 01.02.2025 | |