Gyakorlati alapok a prediktív modellek készítéséhez Python programozási nyelven.
A képzés célja
A kurzus bevezetést nyújt a gépi tanulás (machine learning) alapfogalmaiba, különös tekintettel a felügyelt tanulás módszereire. A résztvevők megismerkednek az adatalapú gépi tanulás folyamatával, az adatok előkészítésének fontosságával és technikáival, valamint a legismertebb felügyelt tanulási algoritmusok működésével. A kurzus során gyakorlati példákon keresztül, Python környezetben sajátíthatják el a modellek építésének, tanításának és értékelésének lépéseit és módszereit.
A képzés szervezője a Műszaki Informatikai Kar.
A választott kurzus leírása
- A képzés elvégzésével a résztvevők képessé válnak az alábbiakra:
- Az adatok előkészítéséhez szükséges alapismeretek és gyakorlati technikák alkalmazása
- A legfontosabb felügyelt gépi tanulási algoritmusok működésének megértése és gyakorlati implementálása
- Jellemző szelekciós módszerek alapjainak elsajátítása a modell teljesítményének optimalizálásához
- Gyakorlati problémamegoldó készség gépi tanulási feladatok esetén.
Kinek ajánljuk
- Pályakezdő és junior adatelemzőknek, akik szeretnék megérteni és alkalmazni a gépi tanulás alapjait.
- Szoftverfejlesztőknek és informatikai szakembereknek, akik bővítenék tudásukat prediktív modellezési képességekkel.
- Üzleti elemzőknek, akik szeretnék megérteni, hogyan használhatók a gépi tanuló algoritmusok az üzleti folyamatok prediktálásában.
A képzés tematikája
A képzés az alábbi területeket fedi le, az egyéni igényeket figyelembe véve válogatva és az igényeknek megfelelően elhelyezve a hangsúlyokat.
- A gépi tanulás alapjai: felügyelt tanulás, nem felügyelt tanulás, megerősítéses tanulás. Az adatalapó gépi tanulás módszertana.
- Adatelőkészítési alapismeretek: adattípusok, adattisztítás, hiányzó adatok kezelése, outlierek, adatok átalakítása (dummy változók, one-hot és integer kódolás), adatok skálázása és normálása, adatdiszkretizácó. Tréning/teszt és validációs halmazok szerepe és kialakítása.
- Felügyelt gépi tanulás elméleti alapjai I. (osztályozás): alapfogalmak és legismertebb osztályozó algoritmusok: döntési fa, KNN osztályozó, Bayes osztályozó, SVM, logisztikus regresszió, RandomForest. Az osztályozó modellek kiértékelése.
- Felügyelt gépi tanulás elméleti alapjai II. (regresszió): alapfogalmak és legismertebb regressziós módszerek: egyváltozós és többváltozós lineáris regresszió. Polinomiális regresszió. Gépi tanuló regressziós modellek. A regresszió kiértékelése.
- Osztályozás és regresszió a gyakorlatban: osztályozó és regressziós gépi tanuló modellek implementálása a Python scikit-learn modul csomag használatával, a modellek kiértékelése. A hiperparaméterek hatása a modellekre.
- Jellemző szelekció jelentősége és gyakorlati megvalósítása: jellemzőszelekciós módszerek
- Összefoglalás és az adatalapú gépi tanulás további lehetőségei
A képzés részvételi feltételei (szakmai előképzettség)
Python alapismeretek
A képzés várható hossza/ intenzitása
24 óra, 4 x 6 órás blokkokban
További információ: https://shop.uni-pannon.hu/hu/termek/bevezetes-a-felugyelt-gepi-tanulasba/