Bootcamp strojového učení a generativní umělé inteligence
Jedná se o 6denní intenzivní sérii základních kurzů strojového učení pro začátečníky. Nejsou třeba žádné předchozí znalosti strojového učení.
Absolvent získá ucelený praktický přehled moderního strojového učení – od klasických algoritmů přes neuronové sítě až po generativní AI – a schopnost samostatně trénovat a vyhodnocovat modely v Pythonu.
- Jiří Materna
Termín: 1. – 3. března + 8. – 10. března 2027
Balíček obsahuje:
- Úvod do strojového učení (2 dny)
- Konvoluční neuronové sítě a zpracování obrazu (1 den)
- Zpracování přirozeného jazyka (1 den)
- Velké jazykové modely a textová generativní AI (1 den)
- Časové řady (1 den)
Podrobná osnova:
Den 1 – Úvod do strojového učení I
- Typy strojového učení a příprava dat (normalizace, vyváženost, přeučování)
- Klasifikace: naivní Bayes, logistická regrese, SVM, rozhodovací stromy, ensemble
- Evaluace klasifikace
- Regrese (SVR, regresní stromy) a její evaluace
- Praktické úlohy v scikit-learn
Den 2 – Úvod do strojového učení II
- Shlukování (K-means, hierarchické, určení počtu shluků)
- Úvod do neuronových sítí, perceptron, aktivační funkce
- Vícevrstvé sítě: backpropagation, SGD, regularizace
- Trénování (epochy, iterace, batch learning)
- Praktické úlohy v Keras/TensorFlow
Den 3 – Konvoluční neuronové sítě a zpracování obrazu
- VGG16, ResNet, transfer learning a fine-tuning
- Klasifikace obrázků, batch normalization, data augmentation
- Segmentace (U-net) a detekce objektů (YOLO)
- GAN a superresolution
- Vysvětlitelnost CNN, adversarial patch
Den 4 – Zpracování přirozeného jazyka
- Základy komputační lingvistiky
- Vektorizace textu (bag of words, TF-IDF) a word embeddings
- Jazykové modely
- Praktické úlohy: klasifikace textu, jazykové modelování, generování textu
Den 5 – Velké jazykové modely a textová generativní AI
- Transformery a typy architektur
- Trénování LLM a RLHF
- Fine-tuning a parameter-efficient fine-tuning (LoRA)
- Retrieval Augmented Generation (RAG)
- Praktické úlohy s knihovnou HuggingFace
Den 6 – Časové řady
- Teorie časových řad (spektrální analýza, autokorelace, ARIMA)
- Klasické i ML metody
- Praktická predikce
- Komplexní scénář: predikce z vícerozměrných dat pomocí rekurentní sítě
Ukázkové videolekce:
O lektorovi
-
Jiří Materna
Jiří je dlouholetý propagátor umělé inteligence, který se jejím aplikacím věnuje od roku 2007. Mezi lety 2008 a 2017 pracoval ve společnosti Seznam.cz jako vedoucí výzkumného oddělení. Poté se vydal vlastní cestou, založil vzdělávací společnost Machine Learning College, organizuje mezinárodní konferenci Machine Learning Prague a pracuje jako nezávislý konzultant v oblasti strojového učení.
Kontakt
