V této kapitole si definujeme strojové učení a jeho vztah k datové vědě a umělé inteligenci. Pak si rozebereme důležitý žargon ze světa strojového učení a zakončíme přehledem pracovního postupu při tvorbě modelů.

Co je strojové učení?

Generování filmových doporučení

AI, datová věda a machine learning vstoupí do baru...

Co platí o strojovém učení?

Koncepty strojového učení

Slovník strojového učení

Učení s učitelem vs. bez učitele

Postup při strojovém učení

Kroky při vytváření modelu

Správný krok

Teď, když znáš základy strojového učení, půjdeme trochu hlouběji. Na konci této kapitoly budeš znát různé typy strojového učení a také to, jak modely vyhodnocovat a zlepšovat.

Supervised learning

Zahřátí

Úlohy

Klasifikace

Regrese

Klasifikace vs. regrese

Učení bez učitele

Supervised

Unsupervised

Bez dozoru to taky jde

Prozkoumání shluků

Hodnocení výkonu modelu

Úkoly

Pravda

Lež

Pravda, nebo lež?

Zmatek v matici

Zlepšování výkonu modelů

Možnosti

Ladění hyperparametrů

Redukce dimenzionality

Metody ansamblů

Cesta na vrchol je dlouhá

Prozkoumej ladění hyperparametrů

Modely strojového učení

V této kapitole se ponoříme do hlubokého učení — začneme neuronovými sítěmi. Pak se podrobněji podíváme na dva běžné případy využití hlubokého učení: počítačové vidění a zpracování přirozeného jazyka. Kurz zakončíme diskusí o limitech a rizicích strojového učení.

Deep learning

Co je deep learning?

Mám použít deep learning?

Computer vision

Obrazová data

Postup

Zpracování přirozeného jazyka

Analýza sentimentu

Zařazení úloh strojového učení

Bag of words

Limity strojového učení

Black box, nebo ne?

Odhalování zaujatosti při předpovědi nesplácení úvěru

Gratulujeme!

Hluboké učení

Course Glossary: Understanding Machine Learning

Co se skrývá za humbuk kolem strojového učení? V tomto kurzu bez technických prerekvizit se dozvíš vše, na co ses bál/a zeptat. Žádné programování není potřeba. Praktická cvičení ti pomohou proniknout přes odborný žargon a pochopit, jak tato fascinující technologie pohání vše od autonomních vozidel až po osobní doporučení na Amazonu.

Jak strojové učení funguje, kdy ho lze využít a jaký je rozdíl mezi umělou inteligencí a strojovým učením? To vše je součástí kurzu. Získej dovednosti v tomto nesmírně žádaném oboru a přesvědč se, že strojové učení je pro každého!

Videa obsahují živé přepisy, které zobrazíš kliknutím na „Show transcript" v levém dolním rohu.

Glosář kurzu najdeš vpravo v sekci zdrojů.

Pro získání CPE kreditů musíš kurz dokončit a dosáhnout skóre alespoň 70 % v závěrečném hodnocení. K hodnocení se dostaneš kliknutím na upozornění CPE credits vpravo.

<h2>Získejte úvod do konceptů strojového učení</h2> 
Co se skrývá za humbukem kolem strojového učení? V tomto netechnickém kurzu se naučíte vše, na co jste se dosud báli zeptat ohledně strojového učení. Není potřeba žádné programování.
<br><br>
Prozkoumáte základní, ale zásadní koncepty, které vám pomohou nastartovat vaši cestu strojovým učením, a díky praktickým cvičením si své znalosti upevníte. To zahrnuje rozvoj porozumění nad rámec odborného žargonu a naučíte se, jak tato vzrušující technologie pohání vše od samořiditelných aut až po vaše osobní doporučení nákupů na Amazonu. 
<br><br>
<h2>Prozkoumejte základy strojového učení</h2> 
Jak funguje strojové učení, kdy ho můžeš použít a jaký je rozdíl mezi umělou inteligencí a strojovým učením? Tento kurz pokrývá všechna tato témata.
<br><br>
Začnete tím, že si rozbalíte, co je strojové učení, prozkoumáte jeho základní definici a vztah k datové vědě a umělé inteligenci. Poté se seznámíte s jeho slovní zásobou a zakončíte to pracovním postupem strojového učení pro vytváření modelů.
<br><br>
Kurz zakončíme hlubším ponořením do hlubokého učení. Prozkoumáš dva běžné případy použití hlubokého učení: počítačové vidění a zpracování přirozeného jazyka (NLP), a také si uvědomíš limity a rizika strojového učení.

Dvouhodinový kurz úvodu do strojového učení pokrývá základní pojmy, modely a hluboké učení.

Porozumění strojovému učení

Úvod do machine learning bez programování.

Základy AI

Porozumění datovým tématům

Matice záměn se používají k hodnocení výkonu klasifikačních modelů.

Hodnocení výkonu modelu učení bez učitele je složitější a závisí na původních cílech.

Falešně pozitivní výsledek nastane, když je hodnota předpovězena jako pozitivní, přestože je ve skutečnosti negativní.

Přesnost (accuracy) je vždy informativní a užitečná metrika.

Falešně negativní výsledek nastane, když je hodnota předpovězena jako pozitivní, přestože je ve skutečnosti negativní.

Pravda, nebo lež?

Porozumění strojovému učení

Interaktivní praktické cvičení