Kurz AI a Machine Learning

Lekce 1 • Základní terminologie a pojmy AI

Definuje inteligenci, učení, inferenci a generalizaci v technických termínech. Vytváří sdílený slovník používaný v celém kurzu.

Lekce 2 • Typy strojového učení

Porovnává paradigmata učení s učitelem, bez učitele a zpětnovazebního učení s příklady. Umožňuje studentům vybrat vhodný přístup ML pro daný problém.

Lekce 3 • Nastavení výukového prostředí

Provádí instalaci Pythonu, Jupyteru a základních ML knihoven. Zajišťuje, aby každý student měl před zahájením praktických cvičení funkční pracovní prostor.

Lekce 4 • Oblasti aplikací AI

Mapuje případy užití AI ve zdravotnictví, financích, výrobě a jazyce. Propojuje abstraktní pojmy s hmatatelnými výsledky v průmyslu, se kterými se studenti setkají v profesní praxi.

Lekce 1 • Kalkulus pro optimalizaci

Představuje derivace, gradienty a řetězové pravidlo jako nástroje pro minimalizaci ztrátových funkcí. Přímo připravuje studenty na pochopení gradientního sestupu v pozdějších kapitolách.

Lekce 2 • Statistická inference a odhady

Vyučuje odhad maximální věrohodnosti, intervaly spolehlivosti a testování hypotéz. Poskytuje statistické základy potřebné pro rigorózní hodnocení výkonu modelu.

Lekce 3 • Základy lineární algebry

Pokrývá vektory, matice, skalární součiny a maticový rozklad relevantní pro ML. Tyto struktury jsou základem reprezentace dat a manipulace s parametry modelu.

Lekce 4 • Základy teorie informace

Představuje entropii, křížovou entropii a KL divergenci jako míry informace. Tyto metriky se přímo objevují ve ztrátových funkcích a kritériích hodnocení modelů.

Lekce 1 • Čištění dat a zajištění kvality

Systematicky řeší chybějící hodnoty, duplicity, odlehlé hodnoty a nekonzistentní formáty. Čistá data jsou předpokladem pro spolehlivé trénování modelů ve všech následujících kapitolách.

Lekce 2 • Tvorba příznaků a transformace

Pokrývá kódování, škálování, binning a vytváření odvozených příznaků ze surových proměnných. Transformované příznaky přímo zlepšují přesnost modelu a stabilitu trénování.

Lekce 3 • Zdroje dat a metody sběru

Mapuje strukturované, nestrukturované a proudové zdroje dat a strategie sběru. Od počátku buduje povědomí o původu dat a otázkách kvality.

Lekce 4 • Dělení dat a prevence úniku dat

Vysvětluje rozdělení na trénovací, validační a testovací data spolu se strategiemi prevence úniku dat. Správné rozdělení zajišťuje poctivé hodnocení všech modelů vytvořených v pozdějších kapitolách.

Lekce 1 • Souborové metody

Vyučuje bagging, boosting a stacking pro kombinování slabých modelů do silných. Souborové techniky konzistentně dosahují špičkového výkonu na úlohách se strukturovanými daty.

Lekce 2 • Support vector machines

Pokrývá klasifikátory s maximálním okrajem, jádrové funkce a formulace s měkkým okrajem. SVM ukazují, jak se geometrická intuice promítá do účinných klasifikačních hranic.

Lekce 3 • Rozhodovací stromy a modely založené na pravidlech

Vysvětluje kritéria větvení, hloubku stromu a prořezávání pro interpretovatelnou klasifikaci. Rozhodovací stromy slouží jako stavební kameny pro souborové metody probírané později.

Lekce 4 • Lineární a logistická regrese

Odvozuje lineární regresi z metody nejmenších čtverců a logistickou regresi z log-šancí. Tyto základní modely vytvářejí šablonu pro všechny parametrické algoritmy učení.

Lekce 1 • Přehled generativních modelů

Mapuje modely Gaussovských směsí a variační autoenkodéry jako generativní přístupy. Tato část propojuje učení bez učitele s obsahem hlubokého učení v další kapitole.

Lekce 2 • Shlukovací algoritmy

Pokrývá k-means, hierarchické shlukování a DBSCAN s jejich předpoklady a kompromisy. Shlukování odhaluje přirozená seskupení, která informují segmentaci a detekci anomálií.

Lekce 3 • Techniky redukce dimenzionality

Vyučuje PCA, t-SNE a UMAP ke snížení počtu příznaků při zachování struktury. Redukované reprezentace urychlují trénování a umožňují vizualizaci komplexních datových sad.

Lekce 4 • Učení asociačních pravidel

Představuje algoritmy Apriori a FP-Growth pro dolování častých množin položek a pravidel. Asociační pravidla pohánějí doporučovací systémy a systémy pro analýzu nákupního košíku.

Lekce 1 • Základy dopředných neuronových sítí

Pokrývá neurony, aktivační funkce, dopředný průchod a zpětné šíření od základů. Tato část vytváří výpočetní základ pro všechny hluboké architektury.

Lekce 2 • Rekurentní a sekvenční modely

Pokrývá RNN, LSTM a GRU pro modelování časových závislostí v sekvenčních datech. Sekvenční modely jsou základem pro předpovídání časových řad a datový pipeline zpracování jazyka.

Lekce 3 • Efektivní trénování hlubokých sítí

Řeší optimalizátory, plány učebních kroků, dávkovou normalizaci a dropout. Tyto techniky řeší mizející gradienty a přeučení v hlubokých architekturách.

Lekce 4 • Architektura Transformeru a self-attention

Odvozuje vícehlavou self-attention, poziční kódování a zásobník kodéru-dekodéru. Transformery jsou páteří moderních NLP a multimodálních AI systémů.

Lekce 1 • Kontejnerizace a orchestrace

Balí ML služby do Docker kontejnerů a orchestruje je pomocí Kubernetes. Kontejnery zajišťují konzistenci prostředí napříč vývojovými a produkčními systémy.

Lekce 2 • Vytváření a poskytování modelových API

Vytváří REST API pomocí FastAPI a Flasku pro zpřístupnění predikcí modelu jako služeb. Poskytování založené na API odděluje logiku modelu od konzumentů aplikace v produkci.

Lekce 3 • ML pipeline a automatizace pracovních postupů

Automatizuje příjem dat, trénování a hodnocení pomocí nástrojů pro orchestraci pipeline. Automatizované pipeline snižují manuální chyby a urychlují iterační cykly modelů.

Lekce 4 • Serializace a balení modelů

Pokrývá ukládání modelů pomocí pickle, ONNX a nativních formátů frameworků pro přenositelnost. Správná serializace je prvním krokem v každém reprodukovatelném workflow nasazení.

Lekce 1 • Strategie AI a obchodní hodnota

Zarámuje výběr AI projektů, odhad ROI a komunikaci se stakeholdery pro vedoucí pracovníky. Propojuje technické znalosti s organizačním rozhodováním a řízením změn.

Lekce 2 • Zpětnovazební učení do hloubky

Pokrývá Markovovy rozhodovací proces, Q-learning a metody policy gradient s aplikacemi. Staví na předchozích znalostech učení s učitelem pro řešení sekvenčních rozhodovacích problémů.

Lekce 3 • AutoML a optimalizace hyperparametrů

Aplikuje prohledávání mřížky, Bayesovskou optimalizaci a prohledávání architektury neuronových sítí pro automatizaci ladění. AutoML snižuje úsilí odborníků a rychleji odhaluje vysoce výkonné konfigurace.

Lekce 4 • Etika, férovost a správa AI

Analyzuje zdroje zkreslení, metriky férovosti, nástroje vysvětlitelnosti a rámce správy. Zodpovědné praktiky AI jsou nezbytné pro udržitelná a důvěryhodná nasazení.