Úvod do strojového učení

Cílem kurzu je seznámit účastníky se základními kategoriemi strojového učení, kterými jsou učení s učitelem a učení bez učitele. Techniky, jako je klasifikace, shlukování, asociační pravidla a detekce anomálií, které stojí za těmito kategoriemi, budou následně aplikovány na reálné datasety. Součástí kurzu je také vymezení souvisejících pojmů, které se zabývají analýzou dat, jako je datová analytika, data science a data mining, dále seznámení s nejnovějšími trendy a state-of-the-art v oblasti strojového učení.

Kurz je určen především datovým analytikům, kteří zatím nejsou se strojovým učením plně obeznámeni a rádi by si v tomto směru rozšířili znalosti. Dále studentům a vědeckým pracovníkům, kteří často pracují s daty a chtěli by použít sofistikovanější metody a nástroje než standardní tabulkový procesor, zároveň se ale nechtějí učit programovat v jazyku R a Pythonu.

Znalosti pro přijetí: znalost práce s daty například v self-service business intelligence nástroji, nebo v MS Excel.

Další požadavky: vlastní počítač s předinstalovaným softwarem RapidMiner (software je třeba zaregistrovat přes mail, při registraci zvolit možnost akademické licence).

• Úvod, základní pojmy (odlišnosti business intelligence, data mining, data science, machine learning, artificial intelligence).
• Stručně k metodikám.
• Data k analýze, typy dat.
• Vhled do dat (exploratory data analysis), vizuální analýza.
• Přehled nejpoužívanějších nástrojů pro strojové učení / data mining.
• Příprava dat:
  • Integrace
  • Transformace
  • Selekce
  • Diskretizace
  • Chybějící hodnoty
  • Odvozené hodnoty
• Vlastní modelování ve vybraném nástroji, nastavování parametrů.
• Vyhodnocení modelů, intepretace výsledků.
• Možné využití v praxi,
• Trendy a state-of-the-art v oblasti strojového učení.

• mít přehled o úlohách strojového učení a technikách, které se za nimi skrývají,
• mít představu, jakou metodu je pro daná data vhodné použít, zároveň bude rozumět základním parametrům úlohy, které ovlivňují získání relevantních výsledků,
• umět připravit data pro analýzu (preprocessing dat),
• umět vytvořit model, vyladit parametry modelu,
• umět model vyhodnotit,
• umět interpretovat získané výsledky, použít model na nových datech,
• umět pracovat s vybraným nástrojem, přičemž nabyté znalosti jsou (přinejmenším částečně) přenositelné do jiných nástrojů,
• seznámeni s nejnovějšími trendy v oblasti strojového učení.

Osvědčení o absolvování kurzu a složení testu – certifikát. Podmínkou úspěšného absolvování kurzu je získání alespoň 60 % bodů z testu, který účastníci kurzu vyplní na konci kurzu.