Bootcamp strojového učení

Co se na školení naučíte

Získáte obecný přehled o současných technikách strojového učení a naučíte se programovat základní ML řešení pomocí open-source knihoven Sciki-Learn a TensorFlow v jazyce Python.

Pro koho je školení určeno

Pro programátory nebo jiné technicky zaměřené zájemce o hlubší porozumění současným trendům v umělé inteligenci a strojovém učení.

Potřebné znalosti účastníka

Schopnost porozumění jednoduchému kódu v jazyce Python.

Časový rozvrh

• Úvod do strojového učení (23. a 24. 2. 2026) 
• Konvoluční neuronové sítě a zpracování obrazu (25. 2. 2026) 
• Zpracování přirozeného jazyka (2. 3. 2026) 
• Časové řady (3. 3. 2026)

Náplň školení

První den začneme vyjasněním základních pojmů jako strojové učení a umělá inteligence.
Představíme si hlavní techniky strojového učení, seznámíme se se základy práce s daty, naučíme se modely vyhodnocovat a vyřešíme první klasifikační a regresní úlohy v knihovně Scikit-learn.

Druhý den budeme pokračovat v základních úlohách, prakticky si vyzkoušíme clustering, redukci dimensionality a poté se již pustíme do umělých neuronových sítí. Vysvětlíme si, jak neuronové sítě fungují, jaké jsou jejich základní architektury a naimplementujeme jednoduchou konvoluční síť pro klasifikaci malých obrázků v knihovně TensorFlow.

Třetí den bude věnovaný zpracování obrazu. Představíme si pokročilejší techniky pro zpracování obrazu pomocí neuronových sítí jako transfer learning nebo batch normalization a navrhneme vlastní neuronovou síť pro klasifikaci obrazových informací. Ve druhé polovině dne si představíme pokročilé architektury neuronových sítí pro segmentaci a generování obrazu.

Čtvrtý den bude zaměřený na zpracování textu. Na začátek si ukážeme a vyzkoušíme základní techniky, které se používají, pokud není k dispozici dostatek dat (bag of words modely). Poté se již zaměříme na neuronové sítě a od jazykového modelování se přes Word2vec dostaneme až transformerům, které tvoří základní kameny dnes populárních modelů jako Bert nebo GPT.

Poslední den bude věnovaný analýzám a predikcím časových řad. Začneme klasickými technikami jako ARIMA, poté si představíme rekurentní neuronové sítě a LSTM, pomocí kterých budeme modelovat několik typů časových řad.

Jedná se o týdenní intenzivní sérii všech našich kurzů za zvýhodněnou cenu. Nejsou třeba žádné předchozí znalosti strojového učení.

Balíček obsahuje:

• Úvod do strojového učení (2 dny) 
• Konvoluční neuronové sítě a zpracování obrazu (1 den) 
• Zpracování přirozeného jazyka (1 den) 
• Časové řady (1 den)

Podrobná osnova:

Den 1

• Co je to strojové učení
• Typy strojového učení (klasifikace, regrese, řazení, reinforcement learning, clustering, detekce anomálií, doporučování, optimalizace)
• Příprava data (rozdělení datových množin, vyváženost dat, šumy v datech, normalizace a standardizace atributů, rozpoznání přeučování a obrana proti němu)
• Evaluace modelů pro klasifikace (accuracy, precision, recall, matice záměn, ROC křivka, AUC)
• Základní algoritmy pro klasifikaci (baseline modely, naivní bayesovský klasifikátor, logistická regrese, Support Vector Machines, rozhodovací stromy, ensemble metody)
• Rychlotutoriál scikit learn (načítání a transformace dat, trénování modelů a predikce, pipelines, evaluace)
• Praktická úloha na klasifikaci
• Základní algoritmy pro regresi (analytické metody, gradient descent, SVR, regresní stromy)
• Evaluace regresních modelů (mean squared error, absolute squared error)
• Praktická úloha na regresi

Den 2

• Základní algoritmy pro shlukování (K-means, hierarchické shlukování, metody pro určení počtu shluků)
• Praktická úloha na shlukování
• Úvod do neuronových sítí (proč jsou populární, výhody/nevýhody, perceptron)
• Nejpoužívanější aktivační funkce (Sigmoid, Linear, Tanh, Relu, Softmax)
• Vícevrstvé sítě (Algoritmus zpětné propagace chyby a stochastic gradient descent, konvoluce, pooling a regularizace)
• Trénování neuronových sítí (epocha, iterace, batch learning)
• Rychlotutoriál Keras (instalace TensorFlow + Keras, návrh sekvenčního modelu, optimalizátory a trénování, způsob práce s daty)
• Praktické úlohy na klasifikaci a regresi pomocí neuronových sítí

Den 3

• VGG 16 and ResNet
• Transfer learning a fine-tuning pro použití v klasifikaci obrazu
• Klasifikace obrázků
• Batch normalization a data augmentation
• U-net a Segmentace obrazu
• GANs a superresolution
• Vysvětlitelnost konvolučních neuronových sítí
• Adversarial patch

Den 4

• Úvod do zpracování přirozeného jazyka
• Vybrané kapitoly z komputační ligvistiky (korpusy, tokenizace, morfologická, syntaktická a sémantická analýza, entropie, mutual information, perplexita)
• Vektorizace textových dokumentů (bag of words, one-hot encoding, TF-IDF)
• Word embedding (word2vec)
• Praktická úloha na klasifikaci textů
• Word embedding (vytvoření word2vec modelů a experimenty s vektorovými reprezentacemi slov)
• Úvod do jazykových modelů (n-gramové modely, vyhlazování, modely založené na neuronových sítích)
• Praktická úloha na jazykové modelování (implementace jazykových modelů a jejich využití pro detekci jazyka textu)
• Úprava algoritmu pro generování textů

Den 5

• Úvod do teorie časových řad
• Vybrané postupy modelovaní časových řad (časová a frekvenční doména, spektrální analýza, autokorelace, modely časových řad (ARIMA apod.)
• Praktický příklad (pandas, základní charakteristiky, jednoduchá predikce)
• Metody strojového učení pro časové řady (state space metody, hidden markov model, kalman filter, dopředné neuronové sítě, rekurentní neuronové sítě, LSTM)
• Praktické příklady ilustrující sílu strojového učení (příprava trénovací množiny dle typu úlohy a zvoleného modelu, trénovaní a evaluace)
• Komplexní scénář predikce časové řady pomocí rekurentní sítě (predikce teploty z vícerozměných vstupních dat: sběr a příprava trénovací množiny, trénování a validace modelu, predikování pomocí naučené sítě)

Časté otázky a odpovědi