O kurze

Tento kurz vám otvorí dvere do fascinujúceho sveta neurónových sietí, počítačového videnia a spracovania textu pomocou machine learningu. Nahliadnete do neurónových sietí a zistite, ako vznikli, akým spôsobom pracujú a ako sa trénujú. Po absolvovaní kurzu budete dokonca vedieť vytrénovať svoju vlastnú neurónovú sieť pomocou scikit-learn knižnice!

Neurónové siete sú často používané pri počítačovom videní a spracovaní prirodzeného jazyka. Naučíte sa ako s obrázkami pracovať pomocou knižnice openCV. Pochopíte myšlienku za konvolučnou neurónovou sieťou, ktorá je využívaná na spracovanie obrázkov. Vďaka tomuto kurzu budete schopní pracovať aj na projektoch, kde sú vstupnými dátami text. Ukážeme si ako prekonvertovať text na čísla, s ktorými dokážu modely strojového učenia pracovať. Na konci kurzu budete vedieť aplikovať v praxi veľmi často používané modely pre textové údaje ako napr. TF-IDF. 

Čo je obsahom tohto kurzu?

Celkový obsah kurzu má viac ako 19 hodín. Prostredie, v ktorom budete počas kurzu programovať sa nazýva Jupyter notebook s Pythonom. Pri video lekciách nájdete Jupyter notebooky, ktoré obsahujú praktické aplikovanie preberaného učiva, detailné popisy a úlohy pre vás, v ktorých môžete praktizovať naučené koncepty. Prácou v každom z Jupyter notebookov strávite približne 20-60 minút. Nižšie v tomto texte nájdete zoznam lekcií, ktoré na vás čakajú. 

Kurz taktiež obsahuje finálny projekt v trvaní približne 10 hodín, na ktorom budete samostatne pracovať. Vašou úlohou bude aplikovať všetko, čo ste sa naučili na inštruktorom vybranom datasete. Na vaše riešenia vám poskytneme detailnú spätnú väzbu. Riešeniami si teda prejdeme a poukážeme na všetky správne aj nesprávne časti riešení, aby ste svoje znalosti pred koncom kurzu ešte viac zlepšili!

Detailnejšie rozpísané na vás teda čaká:

• 5 hodín detailne pripravených cvičení s technickou podporou
• 10 hodín na praktickom projekte so spätnou väzbou od inštruktora, 
• 4 hodiny video technických lekcií

Zoznam lekcií, ktoré sa v kurze nachádzajú:

•  “Vitajte v programe!”: Na začiatku kurzu si povieme, čo vás v lekciách čaká.
  
• “Úvod do neurónových sietí”: Naučíte sa, čo sú neurónové siete, ako vznikli, ako fungujú a čo ich robí jedinečnými. Pozrieme sa na podobnosť medyi neurónovými sieťami strojového učenia a biologickými neurónovými sieťami.  
• “Perceptrón”: Začneme modelom najjednoduchšej neurónovej siete, nazývanej perceptrón. Ukážeme si, čo dokáže takýto model zvládnuť a v čom sú jeho nedostatky. 
• “Viacvrstvový perceptrón”: Prejdeme k hlavnému typu neurónových sietí, ktorým je viacvrstvoý perceptrón. Naučíte sa jeho jednotlivé najdôležitejšie komponenty: vrstvy, neuróny, váhy, aktivačné funkcie. 
• “Tréning neurónových sietí”: Pochopíte myšlienku trénovania neurónových sietí. Začneme perceptrónom a potom prejdeme na tréning viacvrstvového perceptrónu. Zostavíte a natrénujete neurónové siete v scikit-learn knižnici
• “Typy neurónových sietí a knižnice”: Zoznámite sa s 3 hlavnými typmi neurónových sietí a kižnicami na v ktorých ich viete natrénovať.
• “Úvod do počítačového videnia”:  Dozviete sa ako vzniklo počítačové videnie a aké sú jeho využitia. Ukážeme si súvislosť medzi ľudským a počítačovým videním. 
• “Konvolúcia”: Pochopíte hlavnú myšlienku za modelmi počítačového videnia, ktorá sa nazýva konvolúcia. Ukážeme si príklad jej výpočtu na čiernobielych a farebných obrázkoch. 
• “Ako vidia počítače obrázky”: Zoznámite sa s tým, z čoho pozostávajú obrázky a ako ich vidia počítače. 
• “Konvolučná neurónová sieť”: Naučíte sa z čoho pozostáva konvolučná neurónová sieť. Je to model, ktorý sa používa v praxi na problémy, kde sú vstupom obrázky. Ukážeme si, čo sú jej parametre a pochopíte ako natrénovať klasifikačný model pre obrázky. 
• “Úvod do spracovania prirodzeného jazyka”: Dozviete sa, o čom je spracovanie prirodzeného jazyka a aké sú jeho využitia.
• “Práca s textovými dátami a ich úprava”: Predtým ako použijeme modely na spracovanie prirodzeného jazyka, je častokrát potrebné text predspracovať. V tejto časti sa dozviete, aké úpravy sa zvyčajne s textom robia. 
• “Premena z textu na čísla”: Naučíte sa ako a prečo potrebujeme premeniť text na čísla. Zároveň sa naučíme výrazy, ktoré sa používajú v súvislosti so spracovaním prirodzeného jazyka.
• “Bag of Words”: Začneme modelom na riešenie problémov s textom nazývaným Bag of Words. Vysvetlíme si jeho obmeny, výhody a nevýhody. 
• “TF-IDF”: Pokračujeme modelom, TF-IDF, ktorý sa často používa v praxi, napríklad na kategorizovanie textu. Po krokoch sa naučíte ako tento model funguje.
• Projekt v trvaní približne 10 hodín. Keď budete so svojím riešením spokojné, zašlete ho inštruktorom, ktorí vám poskytnú tipy, rady a spätnú väzbu.

Ukážka praktických materiálov

Cvičenia a praktická aplikácia naučených konceptov sú veľmi dôležitou súčasťou našich kurzov. Ku každej lekcii dostanete Jupyter notebook s cvičeniami, ktorý si môžete nechať a používať, napríklad, ako osobnú referenciu vo vašom (budúcom) zamestnaní. Ukážku našich materiálov nájdete pod týmto linkom.

Ako bude tento kurz prebiehať?

• Po zápise na tento kurz obdržíte URL adresu, cez ktorú sa prekliknete na naše online školiace stredisko. Tu uvidíte registračný formulár, kde sa zaregistrujete pomocou svojej emailovej adresy. 
• Na našom online školiacom stredisku budete mať prístup ku všetkým video lekciám a praktickým materiálom, ktoré kurz obsahuje a inštruktor bude k dispozícií na vaše otázky na emaily. 
• Štúdium lekcií si môžete čo najlepšie prispôsobiť vašim preferenciám a prechádzať ním vlastným tempom. 

Počas celého trvania kurzu budete mať k dispozícií komunitu na Discorde a neustálu podporu od inštruktora, takže sa nemusíte cítiť osamelo počas štúdia. :) Inštruktora môžete kontaktovať na [email protected] v prípade, že:

• …vám nie je úplne jasná ktorákoľvek časť preberaného učiva
• …potrebujete detailnejšie dovysvetliť určitý koncept preberaného učiva 
• …pri práci v Jupyter notebookoch narazíte na problém, ktorý sa vám nedarí vyriešiť
• …potrebujete kariérne poradenstvo (napr. skonzultovanie pracovnej pozície, o ktorú máte záujem)
• …máte akékoľvek iné technické či netechnické otázky :) 

Technická podpora počas kurzu a akékoľvek otázky týkajúce sa preberaného učiva budú zodpovedané do dvoch pracovných dní. Vaše otázky z oblasti kariérneho poradenstva budú zodpovedané do troch pracovných dní.

Pre koho je tento kurz vhodný? 

Kurz je vhodný pre úplných začiatočníkov v neurónových sieťach a spracovaní obrázkov a textu pomocou strojového učenia. Zvyčajne sa zapisujú na tento kurz absolventi kurzu Machine Learning v Pythone. Častými záujemcami sú ľudia, ktorí už niečo o strojovom učení vedia a chcú si rozšíriť obzory o neurónové siete a modely pre prácu s textom a obrázkami. 

Čo po kurze dokážem a čo si odnesiem?

 Z kurzu si odnesiete:

• Praktické skúsenosti so spracovaním obrázkov a textov pomocou modelov strojového učenia.
• 6 Jupyter notebookov, na ktorých si nielen prakticky vyskúšate jednotlivé koncepty, ale môžete ich používať ako osobnú referenciu vo vašom (budúcom) zamestnaní. 
• (takmer) reálne skúsenosti s Python projektom. Vyskúšate si prácu na projekte, kde si precvičíte získané znalosti. Vašou úlohou bude samostatne vytvoriť neurónovú sieť a vyhodnotiť jej výkonnosť, pričom vstupnými dátami nebudú len čísla. Na vaše riešenia vám inštruktor poskytne kumulatívnu spätnú väzbu.

Čo je potrebné na absolvovanie kurzu?

• Základná znalosť angličtiny (minimálne pasívna znalosť na úrovni čítania textu). Pri niektorých cvičeniach si budete dohľadávať informácie v dokumentáciách knižníc, ktoré sú v angličtine.
• Stabilné internetové pripojenie. Pre sledovanie video lekcií či prácu na cvičeniach je internetové pripojenie neustále potrebné.
• Aktualizovaný internetový prehliadač Google Chrome, Microsoft Edge alebo Mozilla Firefox.
• (odporúčané) Google účet. S Jupyter notebookmi odporúčame pracovať v prostredí Google Colaboratory. V prípade, že Google účet nemáte a ani si ho nechcete zakladať, bude k dispozícii alternatíva.

Vstupné požiadavky

Pre úspešné absolvovanie tohto kurzu sa, prosím, uistite, že spĺňate nasledujúce požiadavky:

• predchádzajúca skúsenosť s Pythonom, najmä skúsenosť s knižnicou scikit-learn,
• znalosť základov strojového učenia,
• schopnosť pracovať s Jupyter Notebookmi.