Machine learning курс

Трајање курса: 4 месеца

Цена – четири месечне рате по 29700 динара (118800,00 динара)
Предавања су понедељком и четвртком од 20:00 до 22:00
Прво предавање понедељак 19.02. у 20:00

Започните своје путовање у свет Машинског учења са темељним разумевањем математике која стоји иза њега. Овај модул је посвећен изградњи чврстог темеља у математичким концептима који су кључни и неопходни за успех у овој области. Покривамо следеће теме:

• Линеарна алгебра: Разумевање вектора, матрица, тензора и њихових примена.
• Статистика: Основе статистике, анализа главних компоненти (PCA), линеарна регресија.
• NumPy: Упознавање са NumPy библиотеком и њеним кључним функцијама.

Свака лекција укључује практичне примере и задатке који ће вам помоћи да своје знање претворите у вештину.

План и програм првог дела курса – Математика за Машинско учење:

• Примери Линеарне алгебре у Машинском учењу
I NumPy
• Упознавање са NumPy низовима
• Индексирање, сечење и промена димензионалности NumPy низова
• NumPy Array Broadcasting
II Матрице
• Вектори и аритметика вектора
• Норме вектора
• Матрице и аритметика матрица
• Типови матрица
• Матричен операција
• Ретке матрице
• Тензори и аритметика тензора
III Факторизација
• Декомозиција матрица
• Декомпозиција матриице у карактеристичне корене и карактеристичне векторе
• SVD Singular Value Decomposition
IV Статистика
• Упознавање са основама статистике
• PCA Principal Component Analysis
• Линеарна регресија

Трајање курса: 2 месеца
Цена – две месечне рате по 29700 динара (59400,00 динара)
Планирани почетак другог дела курса – по завршетку првог дела – почетак јуна

У овом делу курса, своје знање примењујете на практичним примерима базираним на актуелним пројектима. Кроз 10 недеља, истражите:

• Основе Машинског учења: Врсте учења, њихове примене.
• Алгоритми учења: Губитак функција, метод градијентне оптимизације, оптимизација.
• EDA: Визуализација података, обрада недостајућих вредности.
• Надгледано учење: Класификација, регресија, технике учења засноване на груписању модела.
• Инжењеринг карактеристика: Важност и стратегије.
• Оцена и побољшање модела: Метрике оцене, хиперпараметризација.
• Ненадгледано учење: Кластеринг технике, редукција димензионалности.
• Практична примена машинског учења: Радионице за примену модела.
• Напредни концепти у Машинском учењу: Неуронске мреже и дубоко учење.

Учење на реалним примерима: Курс је конципиран тако, да покрије све неопходне ствари са којима би се сусрео ML engineer на својим првим пројектима. Учење кроз праксу – приступ са стварним примерима и пројектима.

Менторско учење: Ментор потиче ученика на самостално мишљење, анализу и решавање проблема. Он користи своје лично и професионално искуство како би пружио реалне и практичне савете, што учење чини релевантнијим  и примењивијим.

Бесплатне консултације: Помоћи ћемо вам уколико имате недоумице о садржају и примењивости знања и вештина које се стичу на курсу.