Go to Top

Machine Learning

 

Преставяне на курса по Machine Learning:

Машинното обучение (Machine Learning) е дисциплина, която като под-направление на Изкуствения Интелект набира изключително голяма популярност през последните години и намира все повече приложения в бизнес средите.

Темите, представени в настоящият курс са разработени от професионалист с повече от 10 години опит в областта.

За кого е подходящ курса:

Курсът е подходящ за хора с основни познания по програмиране (желателно на езика Python).

Какво, ще научите по време на курса:

Във въвеждащите теми се представят необходимите инструменти, които ще бъдат използвани: iPython, JupiterNotebook, Pandas, scikit-learn и др.

Разглеждат се основните алгоритми за Машинно Обучение с учител (Supervised Machine Learning), илюстрирани с множеството примери, но не оставаме на ниво „този код прави това“. Опитваме се да разберем как и защо се случва „магията“, като се обясняват математическите средства, които основополагат дадения алгоритъм. В края на всяка тема анализираме предимствата и недостатъците на разглеждания алгоритъм и дискутираме възможните му приложения за решаване на реални задачи.

В края на курса, се представят накратко и някои аспекти от обучението без учител (Unsupervised Learning), както и въведение в Изкуствените Неврони Мрежи (Artificial Neuron Networks), като модерни тенденции в развитието на т.нар. Deep Learning.
Накратко се представят и основите на Обработка на Естествен Език (Natural Language Processing) – модерна дисциплина, в която Машинното Обучение намира изключително голямо приложение. Курсистите ще приложат на практика усвоените знания, като обучат собствен модел за разпознаване на емоциите (Sentiment Analyses) в коментарите на дадена Facebook страница.

По време на курса, курсистите ще имат възможност да разработят самостоятелно, като курсов проект, модел за машинно обучение върху избрана от тях тематика. Успешната защита на проекта, както и решаването на множеството задачи за самостоятелна подготовка давани след всяка тема, ще бъдат основание за издаване на сертификат.

Лектор на курса: Ива Попова. Повече информация за преподавателя – тук.

Curriculum:

Course Overview: 1 study hour

  1. About the course and the online resources being used.
  2. What you have to know/recap before starting the course.
  3. What you’ll learn and achieve.

Introduction to Machine Learning: 3 study hours

  1. Machine Learning and Big Data, Deep Learning, Data Science and Artificial Intelligence – framing the concepts.
  2. Machine Learning application in today’s real world.
  3. The Machine Learning process.
  4. Overview of Machine Learning Techniques: Supervised, Unsupervised, Reinforcement Learning.
  5. When Learning is feasible?

Machine Learning Tools – Set up the environment: 4 study hours

  1. Why Python?
  2. Set up numpy, pandas, scikit-learn, Jupiter Notebooks, matplotlib.
  3. Git && GitHub.
  4. Test it with the Demo Project

Data analysis with Pandas: 6 study hours

  1. Pandas Data Structures (Series, DataFrame)
  2. Create DataFrames from various data file formats (json, csv, sql)
  3. Simple DataFrames manipulations.

Data visualization with Mathplotlib, Pandas and Seaborn: 4 study hours

  1. Histograms.
  2. Density Plots.
  3. Correlation Matrix Plot.
  4. Scatterplot Matrix.
  5. Customizing labels and colors.

Share and present your project with Jupiter Notebooks:2 study hours

  1. Getting started.
  2. Basic operations.
  3. Upload your Jupiter Notebook to GitHub.

Supervised Learning Overview: 4 study hours

  1. Classification models.
  2. Predictions with Regression models.
  3. Generalization in Machine Learning.
  4. The problems of Overfitting and Underfitting.

k-Neighbors classification: 4 study hours

  1. The k-Nearest Neighbors algorithm.
  2. Sample usage of k-Neighbors classification with KNeighborsClassifier of Scikit-learn.
  3. Pros and cons of k-Neighbors classification.

Decision Trees: 4 study hours

  1. Representing algorithms with Decision Trees.
  2. Selecting the best feature to split the tree on.
  3. Recursive Binary Splitting.
  4. DecisionTreeClassifier in Scikit-learn.
  5. Building a Decision Trees Model for Credit Approval application.
  6. Pros and cons of Decision Trees.

Linear models for Classification and Regression: 4 study hours

  1. Regression Models in Machine Learning.
  2. Linear Regression or ordinary least squares.
  3. Mean Squared Error and Bias-variance decomposition.
  4. Linear models for classification.
  5. The Logistic Regression Algorithm.
  6. Multi-class classification with Linear models.
  7. Experimenting with Generalized Linear Models in Scikit-learn.
  8. Pros and cons of Linear Models.

Naive Bayes classifiers: 4 study hours

  1. Gaussian Naive Bayes.
  2. Multinomial naive Bayes.
  3. Bernoulli naive Bayes.
  4. Pros and cons of Naive Bayes classifiers.

Support Vector Machines (SVM) Algorithms: 4 study hours

  1. Overview of Support Vector Machines.
  2. Support Vector Machines Classification.
  3. Maximizing the Margin between classes.
  4. Pros and cons of SVM.

Practise the Supervised Learning Flow by building simple Animal Classification from scratch: 4 study hours

  1. Analyse the problem and the domain knowledge (Animal Classification)
  2. Gain insights of the data – clean and visualize the data.
  3. Prepare the training and test datasets.
  4. Train the classifier: choose a Machine Learning model.
  5. Evaluating the accuracy of the model used.
  6. Optimise your model.

The art of Features Engineering: 4 study hours

  1. Feature extraction.
  2. Feature transformation.
  3. Feature selection.

Model Evaluation and Optimization: 4 study hours

  1. Regularization.
  2. Cross-validation.
  3. Grid Search.

Unsupervised Learning: 4 study hours

  1. What problems can we solve with Unsupervised Learning.
  2. An overview of (PCA) principal component analysis.
  3. Overview of Clustering Algorithms.
  4. Demo for K-means Clustering with scikit-learn.

A gentile introduction to Artificial Neural Networks (ANN): 4 study hours

  1. How ANN works?
  2. The Perceptron.
  3. Simple demo for Perceptron Learning Algorithm with Python.
  4. Towards Deep Learning.

Machine Learning for Natural Language Processing (NLP): 4 study hours

  1. Building feature vectors from text documents („bags of words“ representation).
  2. Transform the features: Stemming, Stop-words removal.
  3. Normalise the features: using TF-IDF (Term Frequency – Inverse Document Frequency)
  4. Train a linear model to perform categorization.
  5. Evaluate the model performance on the test set.
  6. Parameter tuning and optimisation.

Build from scratch: Sentiment Analysis on Facebook Posts: 4 study hours

  1. Get a Facebook group comments using the Facebook Graph API.
  2. Analysing and preparing the data.
  3. Transform and normalise the features.
  4. Train a linear model to perform categorization.
  5. Evaluate the model performance on the test set.

 

Продължителност на курса:

Курса е с обем от 72 учебни часа и е с продължителност два месеца. Занятията се провеждат два пъти в седмицата.

Цена и заплащане на курса:

Цена: 680 лв.
Сумата на курса, може да се заплати разсрочено на две равни вноски по 340 лева. Първата се внася при записването, а втората след първият месец от обучението.

График на занятията:

Следваща начална дата:

14-ти януари 2019 г. ( вечерна  форма на обучение от 19:00 до 22:00 часа, което са 4 учебни часа с 20 минути почивка ). Занятията, ще се провеждат всеки понеделник и сряда. Край на курса: 13-ти март 2019г.

Допълнителни условия:

  •  Записването се извършва предварително на място в образователен център Progress, или по банков път. При заплащане по банков път, моля погледнете номера на сметката по-долу.
  •  Сумата на курса, може да се заплати разсрочено на две равни вноски по 340 лева. Първата се внася при записването, а втората до 30 дни от началото на обучението.
  • Тези, които нямат възможност да ползват собствен лаптоп, трябва да заявят за това по email или телефон, за да им бъде осигурен служебен лаптоп/настолен компютър от центъра.
  • Предоставят се учебни материали на всеки курсист в първия ден от обучението  (безплатно).

Записване по банков път:

Номер на банкова сметка:
IBAN:BG49CECB979010E2257300
BIC:CECBBGSF
Основание за плащане: компютърно обучение по  “Machine learning”.

След, като извършите превода е нужно да ни уведомите на email:[email protected] Може да оставите данните на фирмата си в случай, че по-късно бихте искали да ви се издаде фактура.

Моля, ако имате някакви въпроси, не се колебайте да се свържете с нас. За контакти, натиснете – тук.