Škola rajak & I AM AI academy
Online kurs
Mašinsko učenje u praksi

- Početni nivo - od 16. oktobra 2021 - Kurs je u toku -

Škola Rajak u saradnji sa školom za učenje na daljinu IAMAI academy iz Holandije organizuje četvoromesečni kurs mašinskog učenja primenjenog na praktične situacije.
Tema
Šta je to mašinsko učenje?
Mašinsko učenje je proučavanje računarskih algoritama koji se automatski poboljšavaju kroz iskustvo i upotrebu podataka. Smatra se delom veštačke inteligencije. Algoritmi mašinskog učenja grade model zasnovan na uzorku podataka, poznatom kao „trening podaci“. Takav model donosi odluke ili predviđanja, za situacije za koje nije izričito programiran.
Struktura
Komponente mašinskog učenja
Mašinsko učenje se zasniva na 2 komponente, modelu i podacima.
Model sam po sebi koliko kod da je efikasan i "pametan" bez kvalitetnih podataka neće funkcionisati na efikasan način.
Često ističemo analogiju između koncepta model-podaci sa analogijom pamet-iskustvo. Koliko kod bili pametni, bez iskustva teško da ćemo da donosimo prave odluke u kritičnim situacijama. Takođe koliko god bili iskusni a manje pametni, diskutabilno je kakve odluke ćemo da donosimo.
Kada terniramo modele sa podacima kojima raspolažemo, kažemo da model uči. Pa baš kao i ljudi, učimo se na iskustvima, a ako smo pametni, učimo brzo i ne ponavljamo iste greške, baš kao i naši modeli mašnskog učenja.
Ovaj kurs će da pokrije i koncept modela ali i koncept podataka i njihovog kvaliteta.
Cilj kursa je da vas obuči za izradu bazičnih modela mašinskog i delimično i dubokog učenja. Ovo znanje možete da koristite za rešavanje velikog broja praktičnih problema koji se teško ili teže rešavaju tradicionalnim programiranjem.
Vladimir Obradović
Instruktor kursa

Vladimir Obradović
Instruktor kursa
Vladimir Obradović, osnivač škole IAMAI academy, svoje višegodišnje inženjersko iskustvo stečeno u IT industriji, radeći za vodeće investicione banke, vladine organizacije, startap i mainstream IT kompanije, prevodi na običan jezik razumljiv početnicima i polaznicima bez iskustva u programiranju. Svoja predavanja bazira na savremenim principima psihologije učenja.
Vladimir Obradović
Instruktor kursa
Vladimir Obradović, osnivač škole IAMAI academy, svoje višegodišnje inženjersko iskustvo stečeno u IT industriji, radeći za vodeće investicione banke, vladine organizacije, startap i mainstream IT kompanije, prevodi na običan jezik razumljiv početnicima i polaznicima bez iskustva u programiranju. Svoja predavanja bazira na savremenim principima psihologije učenja.
Na sledećem linku možete da pogledate proizvode i rešenja koje sam lično razvio. Portfolio
Vladimir Obradović
Instruktor kursa
Tokom kursa obradićemo standardne biblioteke Python programskog jezika u oblasti mašinskog učenja. To znanje i iskustvo u vašem CV-u, ističe vas kao ozbiljnog kandidata prilikom apliciranja na veliku većinu poslova (profesori, nastavnici, finansije, marketing, poslovni analitičari, sistem administratori, softverska podrška, itd.).
Pitanje:
Da li posle ovog kursa, kao apsolutni početnik mogu da se zaposlim u Google-u, Microsoftu-u ili Tesli?
Odgovor:
Nažalost ne.
Ovaj kurs je potreban ali ne i dovoljan uslov za promenu u vašoj karijeri. Kurs vam pruža čvrste temelje za razvoj u ovoj oblasti. A daljim radom, da li kroz samostalno učenje ili kroz napredne kurseve u ovoj oblasti, otvarate mogućnost za profesionalni rad u domenu mašinskog učenja.

Polaznici na kraju kursa dobijaju uverenje o završenom kursu sa specifikacijom tema koje su obradili na kursu. Takođe, moguće je "zaraditi" i digitalni bedž koji je ujedno i digitalni sertifikat!

Važne napomene
PRIJAVITE SE NA VREME
1
Kontakt i pitanja
Dodatne informacije tel/viber: 062 / 164 30 66, radnim danom od 07:30 do 19:30 i subotom 09:00 do 15:00
2
Dodatni materijal
Mogućnost odloženog gledanja snimka predavanja
3
Cena
Cena: 12000 DINARA po mesecu. Plaća se u četiri mesečne rate.
4
Termini predavanja
ponedeljak, četvrtak od 20:00 do 22:00
5
Početak
subota 16. oktobar u 20:00
6
Fond časova
32 termina po 2 sata
7
Struktura časa
1.5 sata predavanje, 30min samostalni rad
8
Plan kursa
32 lekcije u periodu od 4 meseca, 2 puta nedeljno
9
Prijava
Nakon prijave ćete dobiti izgled uplatnice, a kasnije i link i uputstvo za pristup prvom predavanju.

Program kursa
Tokom kursa obradićemo sledeća poglavlja
1
Uvod
Osnove mašinskog učenja i veštačke inteligencije

  1. Praktični primeri veštačke inteligencije
  2. Šta je VI, istorija, klasifikacija
  3. Machine Learning objašnjenje
  4. Deep Learning objašnjenje

Cilj ovog poglavlja je da naučimo šta je to mašinsko učenje i šta je veštačka inteligencija uopšte i njihov značaj. Da razumemo koje probleme rešavamo upotrebom algoritama mašinskog učenja.

2
Python programski jezik i okruženje za rad
Osnovi Python programskog jezika

  1. Šta je Python, istorija
  2. Kako Python "radi", instalacija Anakonda okruženja
  3. Sintaksa, tipovi podataka, kako se komunicira sa spoljašnjim svetom
  4. Petlje
  5. Uslovi i odluke
  6. Rad sa datotekama
  7. Pandas (Python Data Analysis Library)
  8. Pandas - primeri sa CSV fajlovima
  9. Python i vizualicija podataka

Cilj ovog poglavlja je da naučimo kako možemo da instaliramo Python programsko okruženje.
Ujedno, ova oblast je i kratko ponavljanje i ubrzani kurs Python-a.
3
Google Colab

Kako da koristimo Google cloud sa moćnim serverima za treniranje velikih modela


  1. Šta je to Google Collab i osnovne opcije, montiranje diskova.

Cilj ovog poglavlja je da naučimo kako da radimo sa Google colab infrastrukturom.

4
Algoritmi i modeli mašinskog učenja

Kroz praktične situacije, pravimo modele za klasifikaciju i predviđanje.

Primer, da li je deo teksta pisan u pozitivnom ili negativnom tonu, da li je mail spam ili nije

Kako donosimo odluke u sistemima sa kompleksnim pravilima


  1. scikit-img
  2. Percentil, standardna devijacija
  3. Histogram distribucije podataka, grafikon raspršenja
  4. Podela u trening/test set, Linearna regresija
  5. Polinomska regresija
  6. Logistička regresija
  7. Stablo odlučivanja
  8. Linearni svm klasifikator
  9. Perceptron
  10. Naivni Baiesov klasifikator
  11. NLP, Wordvec
  12. Baiesova detekcija sentimenta

Cilj ovog poglavlja je da naučimo standardne Python biblioteke i funkcije koje se koriste u algoritmima mašinskog učenja.


Koristimo sledeće Python ML biblioteke: pandas, sklearn, SciPy, NumPy, scikit-image

5
Uber Ludwig

Alati za duboko učenje, klasifikacija slika, npr, model koji prepoznaje da li je na slici pas ili mačka. Klasifikacije zvuka, predviđanje sledećeg broja u nizu, klasifikacija teksta.


  1. Šta je Ludvig, instalacija
  2. Klasifikacija teksta
  3. Analiza osećanja
  4. Klasifikacija slike
  5. Titanik: Predviđanje preživelih
  6. Predviđanje vremenskih serija
  7. Multilabel klasifikacija

Cilj ovog poglavlja je da naučimo osnove i principe korišćenja Uber Ludwig alata za dizajniranje, treniranje i upotrebu modela dubokog učenja.

Prijava za kurs
Nakon prijave škola Rajak će vas kontaktirati radi administracije upisa
Vaše ime i prezime
Vaš email
Vaš broj telefona
Dodatni komentar ili pitanje
Investicija u znanje je investicija u budućnost