Онлајн курс - Машинско учење у пракси

Онлајн курс: Машинско учење у пракси - Почетни ниво - трећа класа полазника септембар 2022. Пријаве у току.

Школа Рајак у сарадњи са школом за учење на даљину IAMAI academy из Холандије организује четворомесечни курс машинског учења примењеног на практичне ситуације

Онлајн курс Машинско учење у пракси је најбољи курс за почетни ниво машинског учења.

Ниво функционалног знања који поседује Владимир Обрадовић у области машинског учења је изузетан.

Дугогодишње искуство рада у респектабилним компанијама на високим позицијама (мислимо на IT сегмент тих компанија) му доноси релевантан избор тема за курс.

Он има и потребну ширину знања у информационим технологијама што му омогућава да сагледа начине примене машинског учења.

Пројекти на чијем је развоју радио му омогућавају избор најбољих алата.

Рад у IAMAI ACADEMY му је донео савремени приступ преношењу знања. Користи нове концепте, примене нових метода, али користи и све што је добро из традиционалног начина учења.

У току овог курса, у процесу учења, он користи вештачку интелигенцију, гејмификацију, обрнуту учионицу.

32 видео лекције + 32 термина групних вежби (уживо) са предавачем, у периоду од 4 месеца, 2 пута недељно.

Утисци полазника са прошлог курса Машинског учења говоре да је на добром путу.

Предавач на курсу: Владимир Обрадовић

Владимир Обрадовић

  • 9 година искуства у раду на пројектима водећих светских инвестиционих банака и владиних организација: ING Bank - Амстердам, Европска Медицинска Агенција - Амстердам, Холандско министарство за инфраструктуру - Ротердам
  •  10+ година Scrum Master и Technical Product Owner
  •  14+ година ради у агилним софтверским организацијама: Levi9 - Нови Сад, SDL - Амстердам
  •  8 година искуства у управљању људима и пројектима
  •  6 година искуства у домену AI и ML

Цена 94760,00 динара. Плаћа се у четири месечне рате по 23690,00 динара. ПРИЈАВИТЕ СЕ

Машинско учење је проучавање рачунарских алгоритама који се аутоматски побољшавају кроз искуство и употребу података. Сматра се делом вештачке интелигенције. Алгоритми машинског учења граде модел заснован на узорку података, познатoм као „тренинг подаци“. Такав модел доноси одлуке или предвиђања, за ситуације за које није изричито програмиран.
Машинско учење се заснива на 2 компоненте, моделу и подацима.
Модел сам по себи колико код да је ефикасан и "паметан" без квалитетних података неће функционисати на ефикасан начин.
Често истичемо аналогију између концепта модел-подаци са аналогијом памет-искуство. Колико код били паметни, без искуства тешко да ћемо да доносимо праве одлуке у критичним ситуацијама. Такође колико год били искусни а мање паметни, дискутабилно је какве одлуке ћемо да доносимо.
Када тернирамо моделе са подацима којима располажемо, кажемо да модел учи. Па баш као и људи, учимо се на искуствима, а ако смо паметни, учимо брзо и не понављамо исте грешке, баш као и наши модели машнског учења.
Овај курс ће да покрије и концепт модела али и концепт података и њиховог квалитета.
Циљ курса је да вас обучи за израду базичних модела машинског и делимично и дубоког учења. Ово знање можете да користите за решавање великог броја практичних проблема који се тешко или теже решавају традиционалним програмирањем.

Током курса обрадићемо стандардне библиотеке Python програмског језика у области машинског учења. То знање и искуство у вашем CV-у, истиче вас као озбиљног кандидата приликом аплицирања на велику већину послова (професори, наставници, финансије, маркетинг, пословни аналитичари, систем администратори, софтверска подршка, итд.).
Да ли после овог курса, као апсолутни почетник можете да очекујете да се запослите у Google, Microsoftu или Tesli? Нажалост не.
Овај курс је потребан али не и довољан услов за промену у вашој каријери. Курс вам пружа чврсте темеље за развој у овој области. А даљим радом, да ли кроз самостално учење или кроз напредне курсеве у овој области, отварате могућност за професионални рад у домену машинског учења.

Полазници на крају курса добијају уверење о завршеном курсу са спецификацијом тема које су обрадили на курсу.

ПРИЈАВИТЕ СЕ НА ВРЕМЕ - контакт форма на дну ове стране или:

  • Пријавите се слањем мејла на skolarajak@gmail.com
  • Као наслов мејла ставите: Курс Машинско учење у пракси - пријава.
  • У телу мејла наведите Ваше име, презиме, адресу.
  • Након пријаве ћете добити изглед уплатнице, а касније и линк и упутство за приступ првом предавању.
  • Додатне инфoрмације тел/вибер: 062 / 164 30 66, радним даном од 07:30 до 19:30 и суботом 09:00 до 15:00
  • Могућност одложеног гледања снимка предавања
  • Цена: 94760,00 динара. Плаћа се у четири месечне рате по 23690,00 динара.
  • Прво предавање - септембар 2022. још нисмо дефинисали датум
  • Термини одржавања предавања : понедељак, четвртак од 20:00 до 22:00
  • Фонд часова - 32 термина по 2 сата

План курса:
32 видео лекције + 32 термина групних вежби (уживо) са предавачем, у периоду од 4 месеца, 2 пута недељно

0 Увод

  • Oснове машинског учења и вештачке интелигенције

=>  Циљ овог поглавља је да научимо шта је то машинско учење и шта је вештачка интелигенција уопште и њихов значај. Да разумемо које проблеме решавамо употребом алгоритама машинског учења.

1. Python програмски језик и окружење за ра

  • Нагласак на функције за статистичку обраду података

=> Циљ  овог поглавља је да научимо како можемо да припремимо Python програмско окружење и алате за рад са алгоритмима машинског учења.
Уједно, ова област је и кратко понављање и убрзани курс Python-а.

 2. Алгоритми и модели машинског учења

  • Кроз практичне ситуације, правимо моделе за класификацију и предвиђање.
  • Пример, да ли је део текста писан у позитивном или негативном тону, да ли је маил спам или није
  • Како доносимо одлуке у системима са комплексним правилима

=> Циљ  овог поглавља је да научимо стандардне Python библиотеке и функције које се користе у алгоритмима машинског учења.

Користимо следеће Python ML библиотеке: pandas, sklearn, SciPy, NumPy, scikit-image

3. Google colab

  • Како да користимо Google cloud са моћним серверима за тренирање великих модела

=> Циљ овог поглавља је да научимо како да радимо са Google colab инфраструктуром.

4. Uber Ludwig

  • Алати за дубоко учење, класификација слика, нпр, модел који препознаје да ли је на слици пас или мачка. Класификације звука, предвиђање следећег броја у низу, класификација текста...

=>  Циљ  овог поглавља је да научимо основе и принципе коришћења  Uber Ludwig алата за дизајнирање, тренирање и употребу модела дубоког учења..