Откријте го потенцијалот на машинското учење! Научете како да развивате, оценувате и оптимизирате ML модели во Python. Стекнете практично искуство во решавање на реални предизвици и носење на одлуки базирани на податоци.
Преглед на курсот
| Поглавје | Детали |
| Партнер | Факултет за електротехника и информациски технологии |
| Наслов | Машинско учење: од основи до практична примена |
| Услуга | Курс |
| Целна група | Инженери и IT професионалци од МСП, индустрија и јавни организации, како и лица кои сакаат да ги развијат своите вештини во областа на машинско учење |
| Формат | Настава во живо |
| Фокус на клучни технологии | Вештачка интелигенција, Машинско учење |
| Статус | Подготвен за понуда |
| Засегнати страни од МСП/ЈА | Организации кои сакаат да го применат машинското учење за оптимизација на работните процеси, подобро носење на одлуки и поттикнување на иновации преку развој и имплементација на ML модели. |
| Барања за учество | Познавање од претпроцесирање и подготовка на податоци за машинско учење, основно познавање од програмирање во Python |
| Проценето времетраење | 4 дена по 4 часа дневно (вкупно 16 часа) |
Опис на курсот
Во денешната дигитална ера, управувана од податоци, машинското учење (ML) отвора многу нови можности за трансформација на компаниите. Преку претворање на сирови, сложени податоци во вредни увиди и сознанија, оваа технологија не само што им помага на организациите да носат информирани одлуки, туку и да ги подобрат своите стратегии и процеси. Во таа насока, курсот е дизајниран да им помогне на учесниците да се стекнат со клучни вештини за ефективно искористување на потенцијалот на машинското учење.
Преку избалансиран пристап кој вклучува теоретска и практична настава, курсот овозможува темелно разбирање на машинското учење и неговата примена во реални сценарија. Учесниците ќе имаат можност да стекнат практично искуство преку работа со Python и популарни библиотеки за машинско учење, како што е Scikit-learn, за имплементација и евалуација на модели. Во текот на курсот, ќе се решаваат реални предизвици од различни области, како предвидување на временски низи, детекција и препознавање на аномалии во системи за предиктивно одржување, сегментација на клиенти за донесување на стратешки одлуки и оптимизација на процеси.
Курсот е поделeн во четири дена, при што секој ден се фокусира на различен аспект од машинското учење:
- Вовед во машинско учење. Надгледувано учење: Класификација и регресија
Тука се опфатени основните концепти на машинското учење и вовед во поделбата на надгледувано и ненадгледувано учење. Акцентот е ставен на алгоритмите за надгледувано учење. Ќе се разгледуваат разгледуваат и имплементираат алгоритмите за линеарна, полиномијална и логистичка регресија и ќе биде презентирана нивна практична примена.
- Надгледувано учење: Класификација и регресија
Учесниците ќе работат на имплементација на алгоритмите за надгледувано учење: KNN, SVM, Decision Trees и Random Forest, и нивна практична примена во реални сценарија.
- Поделба на податочно множество. Оцена и валидација на модели. Нагодување на хиперпараметри
Во овој дел фокусот е на поделбата на податочното множество на подмножества за тренирање, тестирање и валидација. Учесниците ќе се запознаат со метриките за оцена и валидација на моделите за класификација: accuracy, confusion matrix, recall, precision, F1-score, како и на моделите за регресија: MAE, MSE, RMSE, R-score и correlation. - Ненадгледувано учење: Kластерирање
Во овој дел ќе се разгледуваат техники за ненадгледувано учење, како што се K-means и Hierarchical Clustering., и нивна практична примена. На крај, учесниците ќе имаат можност да се справат со реален предизвик преку примена на некој од изучените алгоритми.
По завршувањето на курсот, со помош на стекнатите вештини учесниците ќе бидат подготвени да развиваат, евалуираат и подобруваат модели за машинско учење прилагодени за решавање на реални проблеми.
Дополнителни информации за курсот
| Категорија | Детали |
| Стекнати вештини | Учесниците ќе стекнат знаења и вештини, вклучувајќи: |
| Вештина 1: Развбирање на алгоритмите за машинско учење
Вештина 2: Имплементација на модели за машинско учење Вештина 3: Оцена и валидација на перформансите на моделот преку користење на различни метрики Вештина 4: Примена на техники за нагодување на параметрите на моделот со цел негова оптимизација Вештина 5: Примена на машинското учење за решавање на реални предизвици |
|
| Методи на учење | Предавање, практични вежби, групни дискусии |