Mašinsko učenje u praksi

Online kurs
Mašinsko učenje u praksi

- Početni nivo - u najavi

Upiši se!

32 video lekcija

Praktične vežbe

16 nedelja
2 puta ili 1 put nedeljno

Sertifikat o odslušanom

kursu i Digitalni Bedž

Uloguj se

Škola za učenje na daljinu IAMAI academy iz Španije u saradnji sa školom Rajak iz Novog Sada, organizuje četvoromesečni kurs mašinskog učenja primenjenog na praktične situacije.

Prijavi se i nauči!

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.

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.

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.).

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!

Prijavi se i nauči!

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: u zavisnosti od paketa, pogledati niže na strani. Plaća se u četiri mesečne rate.
4

Termini predavanja
Ponedeljak, četvrtak od 20:00 do 22:00
5

Početak
U najavi
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.

Šta kažu naši polaznici

Dragomir
Vrlo posvecen i iskusan predavac, trudi se da angazuje sve clanove kursa i uspeva jasno da objasni stvari cak i gde ljudi nemaju nikakvog predznanja.
Suzana
Veoma zanimljiv kurs, sa odličnim predavačem! Puno interesantih informacija.
Radovan
Sve je super. Ispunio je moja ocekivanja i pokazao da ML nije bauk kao sto sam mislio da jeste.
Stanislava
Pohvaljujem predavanja, za ovako kompleksnu temu bilo je zanimljivo, izazovno i korisno.
Olivera
Sve pohvale za predavača, ne samo zbog stručnosti, već i zbog spremnosti da što više uključi polaznike u čas i odgovori na sva pitanja.
Nikola
Sve preporuke. Sjajna organizacija i profesor.

Kako je kurs ocenjen od strane naših polaznika

9.2/10

Ocenite svoje ukupno iskustvo na kursu

10/10

Nastavnik je bio angažovan

9.6/10

Materijal za kurs je bio koristan

9.3/10

Koliko je verovatno da ćete preporučiti ovaj kurs prijatelju/kolegi?

Program kursa

Tokom kursa obradićemo sledeća poglavlja

1

Uvod

Osnove mašinskog učenja i veštačke inteligencije

Praktični primeri veštačke inteligencije
Šta je VI, istorija, klasifikacija
Machine Learning objašnjenje
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

Šta je Python, istorija
Kako Python "radi", instalacija Anakonda okruženja
Sintaksa, tipovi podataka, kako se komunicira sa spoljašnjim svetom
Petlje
Uslovi i odluke
Rad sa datotekama
Pandas (Python Data Analysis Library)
Pandas - primeri sa CSV fajlovima
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

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

scikit-img
Percentil, standardna devijacija
Histogram distribucije podataka, grafikon raspršenja
Podela u trening/test set, Linearna regresija
Polinomska regresija
Logistička regresija
Stablo odlučivanja
Linearni svm klasifikator
Perceptron
Naivni Baiesov klasifikator
NLP, Wordvec
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

Prijavi se i nauči!

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 učenja. Ovo znanje možete da koristite za rešavanje velikog broja praktičnih problema koji se teško ili teže rešavaju tradicionalnim programiranjem kao i da steknete solidnu osnovu za rad u ovoj profesiji.

Instruktor kursa: Vladimir Obradović

Tech Coach; IT Consultant; Edukator; Startup co-founder

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.

17+ godina u IT industriji.
14+ godina radi u agilnim softverskim organizacijama. (Levi9 - Novi Sad, SDL - Amsterdam)
10+ godina Scrum Master i Technical Product Owner
9 godina iskustva u radu na projektima vodećih svetskih investicionih banaka i vladinih organizacija (ING Bank - Amsterdam, Evropska Medicinska Agencija - Amsterdam, Holandsko ministarstvo za infrastrukturu - Roterdam)
Mentor i coach mladjim kolegama
Pripremio je na desetine studenata za ispite iz matematike i informatike.
15+ godina iskustva u radu sa JAVA -om i komplementarnim tehnologijama.
8 godina iskustva u upravljanju ljudima i projektima.
6 godina iskustva u domenu AI and ML.

Nastavne metode

Kombinovano učenje (eng.: Blended Learning)
Obrazovni program (formalni i neformalni) koji kombinuje onlajn digitalne medije sa tradicionalnim metodama koji se koriste u učionici. Kombinovano učenje obično uključuje:
- Deo učenja se odvija onlajn, pri čemu učenik može da upravlja tempom kojim uči
- Drugi deo učenja vodi instruktor, obično se sprovodi putem vebinara, omogućavajući učenicima na daljinu da se lakše angažuju
Izokrenuta učionica (eng.: Flipped Classroom)
Pedagoški koncept koji predviđa izmenu u organizovanju nastavnog procesa, a u cilju poboljšanja kvaliteta nastave uz primenu savremene tehnologije. Ovaj koncept podrazumeva da se ono što je tradicionalno rađeno na času, sada se radi za domaći zadatak, i ono što je tradicionalno rađeno za domaći zadatak sada se radi na času. To znači da učenici, kod kuće, treba da nauče ono što će se raditi na času, tako da se veći deo časa posveti vežbanju, radu na novim primerima i slično.