✓Pochopit rozdíl mezi učením s učitelem a bez učitele
✓Rozumět lineární regresi a klasifikačním algoritmům
✓Interpretovat výsledky ML modelů a metriky kvality
✓Pochopit overfitting, underfitting a regularizaci
✓Rozumět shlukové analýze a jejím aplikacím
✓Aplikovat znalosti na příklady z byznysu i vědy
Modul 1 — Co je strojové učení? (3 lekce)
Definice ML, typy učení, reálné příklady využití v průmyslu, zdravotnictví a financích.
Modul 2 — Data jako základ (3 lekce)
Typy dat, čistění dat, předzpracování, vizualizace a exploratory data analysis (EDA).
Modul 3 — Regresní modely (4 lekce)
Lineární a polynomiální regrese, evaluační metriky, praktické příklady předpovědí.
Modul 4 — Klasifikace (4 lekce)
K-Nearest Neighbors, rozhodovací stromy, Naive Bayes — vizuálně a srozumitelně.
Modul 5 — Učení bez učitele (4 lekce)
K-means clustering, hierarchické shlukování, redukce dimenzionality (PCA).
Modul 6 — Hodnocení a validace modelů (4 lekce)
Cross-validation, confusion matrix, precision/recall, ROC křivky. Závěrečný projekt.
Je kurz vhodný po absolvování základního kurzu AI?+
Ano, kurz Strojové učení v praxi je přirozeným navazujícím krokem po kurzu Základy AI. Doporučujeme začít od základů, ale není to nutnou podmínkou.
Jak probíhá závěrečný projekt?+
V závěrečném projektu analyzujete reálný dataset, zvolíte vhodný ML přístup, interpretujete výsledky a sepíšete stručnou zprávu. Projekt je hodnocen automaticky i mentorem.
