Neurónové siete sú súborom matematických modelov navrhnutých na spracovanie informácií podobne ako fungujú mozgové neuróny. Neurónové siete sa skladajú z množstva neurónov, ktoré sú vzájomne prepojené pomocou váh a spracovávajú vstupné dáta, [...]
  • PYTHON_ML_NN
  • Dĺžka 5 dní
  • 50 ITK bodov
  • 4 termíny
  • Bratislava (1 200 €)

    Brno (28 000 Kč)

    Praha (28 000 Kč)

  • Mierne pokročilý

Neurónové siete sú súborom matematických modelov navrhnutých na spracovanie informácií podobne ako fungujú mozgové neuróny. Neurónové siete sa skladajú z množstva neurónov, ktoré sú vzájomne prepojené pomocou váh a spracovávajú vstupné dáta, aby vytvorili výstup. Každý neurón prijíma vstup z ostatných neurónov alebo z externých zdrojov, spracováva vstup pomocou aktivačnej funkcie a výsledok ďalej posiela do ďalších neurónov v sieti. Neurónové siete sa používajú na riešenie mnohých úloh, ako napríklad rozpoznávanie obrazov, predikciu a klasifikáciu. Typicky sa trénujú na základe veľkého množstva vstupných dát, ktoré sa používajú na optimalizáciu váh a nastavenie parametrov neurónových sietí tak, aby boli schopné riešiť určitú úlohu. Existuje množstvo typov neurónových sietí vrátane jednovrstvových a viacvrstvových perceptrónov, konvolučných sietí, rekurentných sietí a ďalších. Každý typ neurónovej siete sa používa pre rôzne typy úloh a má svoje vlastné charakteristiky a výhody. Neurónové siete sa stali kľúčovým prvkom strojového učenia a umožňujú strojom učiť sa zo skúseností a zlepšovať svoje schopnosti v rôznych oblastiach.

Naučiť sa využívať AI je kľúčový krok do budúcnosti

»
  • Znalosť programovania v Pythone na úrovni kurzu PYTHON_INTRO (znalosti na úrovni kurzu PYTHON_ADV sú výhodou)
  • Znalosti základov analýzy dát na úrovni kurzu PYTHON_DATAN
  • Znalosti základov machine learning na úrovni kurzu PYTHON_ML_INTRO
  • Odborný výklad s praktickými príkladmi, cvičeniami na počítačoch
  • Prezentácia preberanej látky v tlačenej alebo online forme

Deň 1

  • Úvod do neurónových sietí a strojového učenia
  • Základy lineárnej a logistickej regresie
  • Aktivačné funkcie pre neurónové siete (sigmoid, ReLU, atď.)
  • Návrh a implementácia jednoduchej jednovrstvovej neurónovej siete

Deň 2

  • Úvod do knižnice TensorFlow
  • Návrh a implementácia viacvrstvovej neurónovej siete pomocou TensorFlow
  • Trénovanie neurónových sietí a overovanie výkonu
  • Riešenie problému pretrénovania

Deň 3

  • Úvod do konvolučných neurónových sietí (CNN)
  • Základy spracovania obrazov a konvolúcie
  • Implementácia jednoduchej CNN na datasete MNIST
  • Vizualizácia a interpretácia výsledkov

Deň 4

  • Rekurentné neurónové siete (RNN)
  • Základy spracovania sekvencií a časových radov
  • Implementácia jednoduchej RNN na datasete predpovedania cien akcií
  • Vizualizácia a interpretácia výsledkov

Deň 5

  • Úvod do autoenkóderov
  • Základy náhodných modelov
  • Implementácia jednoduchého autoenkódera na datasete MNIST
  • Vizualizácia a interpretácia výsledkov
Aktuálna ponuka
Školiace miesto
Jazyk kurzu

Uvedené ceny sú bez DPH.