Forma:online i prezenčně
Jazyk:Čeština
Celkový počet lekcí:22
individuální konzultace
možnost PLACENÉ stáže
VÍCE LEKTORŮ NA LEKCI
3 MĚSÍCE VÝUKY
PŘÍPRAVA NA POHOVOR
Cílem kurzu je naučit studenty základy programování v jazyce Python a naučit se pracovat se 4 modely neuronových sítí pro strojové učení. Pro každý z modelů bude naprogramován jeden typický příklad, který si studenti zkusí upravit podle svého zájmu. Kurz je zaměřen na získání sebevědomí při následném studování algoritmů a aplikací strojového učení v praxi. Pro pochopení podstaty neuronových sítí je užitečná znalost matematiky, ale není výlučně nutná. Výuka Pythonu bude probíhat každou středu a výuka umělé inteligence začne po 5. lekci Pythonu a bude probíhat každé pondělí.
Nutností je logické myšlení. Kurz je vhodný pro každého, kdo chce začít programovat a pochopit taje umělé inteligence. Výhodou je předchozí zkušenost s programováním nebo tvorbou webových stránek.
18:00-20:30
online
12
Začneme tím, že si ukážeme prostředí, ve kterém budem programovat. Vysvětlíme a zároveň si vyzkoušíme práci s proměnnými a podmínkami, bez nichž není možné napsat žádný program.
Ukážeme si, jak v paměti reprezentovat proměnný počet dat a jak s nimi pracovat. Seznámíme se s datovými strukturami seznam, slovník a množina a naučíme se s nimi manipulovat pomocí smyček.
Funkce tvoří základní stavební kameny každého programu. Během této lekce se naučíme funkce používat i vytvářet.
Tato lekce slouží k opakování probraného učiva a jeho procvičování. Během této lekce budeme řešit jednoduché programátorské úkoly.
Ukážeme si, jak zpracovat textový vstup a jakým způsobem je možné formátovat text. Zároveň budou vysvětleny základy práce se soubory. Naučíme se textové soubory z našeho programu číst, vytvářet a modifikovat.
Objektově orientované programování (OOP) je v současnosti nejpoužívanějším způsobem jak vytvářet a strukturovat kód. V první lekci se seznámíme se základními myšlenkami OOP. Vysvětlíme si pojmy jako je zapouzdření, třída nebo instance. Nabyté poznatky využijeme při tvorbě konzolové hry.
V této lekci si rozšíříme naše znalosti OOP. Ukážeme si konstrukce usnadňující sdílení kódu, vysvětlíme pojem dědičnosti a změny datových typů. V druhé části lekce budeme nově nabyté znalosti využívat k rozšíření hry z předchozí lekce.
Cílem této lekce je zopakovat a procvičit znalosti z obou předchozích lekcí.
Detailněji se podíváme na práci s datovými strukturami. Blíže se seznámíme s principy, na kterých fungují, a ukážeme si, jak v nich efektivně vyhledávat, filtrovat, řadit atd.
Rozšíříme naši znalost práce se soubory a souborovým systémem. Zároveň se podíváme na zpracování chyb a výjimečných stavů, které mohou v aplikaci nastat.
Povíme si více o tom, jak efektivně strukturovat program v Pythonu. Vedle toho si ukážeme řadu špatných praktik, kterým by se dobrý programátor měl vyhnout.
Ukážeme si, jak vytvořit jednoduchou webovou stránku.
18:00 - 20:30
online
10
Naučíme se, jak počítače dokáží předpovídat a rozhodovat bez předem daných instrukcí. Prozkoumáme jednoduchý, ale mocný Bayesův naivní klasifikátor, který nám umožní třídit data s neuvěřitelnou přesností.
Vstoupíme do světa rozhodovacích stromů, které nám pomohou dělat chytrá rozhodnutí na základě dat. Naučíme se, jak optimalizovat parametry modelů a dosáhnout tak nejlepších výsledků. Získáme schopnosti, které nás posunou na další úroveň v analýze dat a rozhodování.
Ponoříme se do pokročilých technik hlubokého učení a vícevrstvých perceptronů. Objevíme, jak neuronové sítě mohou řešit složité problémy a přinášet revoluční inovace.
Konvoluční neuronové sítě slouží pro aplikaci obrazového filtru na jiný obraz. Na modelu sekvenční konvoluční sítě bude vysvětlena podstata grafických filtrů. Jako příklad bude zvolena aplikace, která rozpozná, jaké objekty se nachází v obrázku.
Zlepšíme své schopnosti v oblasti rozpoznání obrazu pomocí technik datového posílení. Naučíme se, jak vytvářet modely, které dokáží identifikovat a klasifikovat objekty na obrázcích s vysokou přesností.
Podíváme se na gerativní architektury a objevíme, jak vytvářet nové a realistické obrazy pomocí generativních protivníkových sítí (GAN). Využijeme své kreativní schopnosti a naučíme se vytvářet umění, design a fotorealistické obrazy, které nikdy předtím neexistovaly.
Rekurentní neuronové sítě představují model neuronové sítě s pamětí. Na modelu rekurentní sítě s dlouhodobou krátkodobou pamětí (LSTM) bude vysvětlena podstata zpracování přirozeného jazyka. Jako příklad bude zvolena aplikace, která slouží pro detekci spamu.
Naučíme se, jak vytvořit chatbota, automatického překladatele nebo analyzovat sentiment na sociálních sítích.
Objevíme tajemství učení bez učitele, kde modely samy najdou struktury a vzory v datech.
Získáme praktické dovednosti pro nasazení modelů strojového učení do reálného světa. Naučíme se, jak monitorovat jejich výkon a zajišťovat jejich správnou funkčnost.
Kurz je vhodný pro každého, kdo má zájem o programování a chce se naučit jeden z nejpopulárnějších programovacích jazyků současnosti. Nejsou očekávany předchozí zkušenosti s programování. Nutností však je logické myšlení. Mezi účastníky kurzu mohou patřit absolventi technických oborů, kteří by rádi začali v IT, testeři, administrátoři a pracovníci supportu.
Python je jazyk s jednoduchou syntaxí a rostoucí oblibou napříč profesemi. Je využíván nejenom programátory, ale i automatizačními testery, datovými analytiky, odborníky na strojové učení a vědeckými pracovníky. V Brně je využíván např. ve firmě Kiwi, Seznam, Red Hat nebo Thermo Fisher Scientific.
Kurz bude probíhat formou online výuky s živými lektory doplněné o nepovinné úkoly,testy dostupné v elearningu a skupinové i individuální konzultace. Veškeré materiály a záznamy z lekcí budou zveřejněny v našem elearningu.
Ano, platbu je možné rozdělit. Pokud máte takový požadavek, napište ho prosím do poznámky k přihlášce.
Kdy: |
Kde: |
Cena: |
|---|
Dej nám na sebe kontakt a my ti dáme vědět hned, jak vypíšeme nový, nebo ho uspořádáme přímo pro tebe.
Garant kvality, lektor Pythonu a umělé inteligence
Pavel má za sebou pestré zkušenosti z mnoha odvětví. Pavel vystudoval dva VŠ obory: Počítačové modelování a pedagogiku. Po studiu pracoval jako programátor a vědecký pracovník Akademie věd. V současnosti se plně věnuje pedagogické činnosti. Vedle kurzů pro nás učí programování na vysoké i střední škole. Více na pavelberanek.com .
