Érdekel

Kíváncsi vagy a tananyagunkra? Fedezd fel vállalati e-learning megoldásainkat, és szerezd meg a hozzáférést több száz tananyaghoz, hogy korlátlanul fejleszthesd tudásodat!

Érdekel

  • Változatos témák, tanulási útvonalak
  • Érd el tananyagainkat bárhonnan, bármikor
  • Tanulj első kézből a területükön elismert előadóktól

Bevezetés a Machine Learning és Deep Learning megoldásokba - egyszerűen

Az előadás célja, hogy bemutassa, hogyan építhetünk Machine Learning modelleket adatokból, és használhatjuk azokat saját céljainkra. A képzés során egy konkrét projektpéldán keresztül egy gépi tanulásra épülő chatbotot készítünk.

0
(0)
3,5 óra

Mit fogsz tanulni?


1. rész

Bevezetés: Mi az a chatbot, és hogyan működik? A chatbot alkalmazási területei. Mi szükséges egy chatbot megvalósításához?
Gyakorlati példa bemutatása: A projekt célja és az elvárt eredmények. Adatok gyűjtése és előkészítése. A chatbot felhasználói felületének kialakítása.
Egyszerű Machine Learning modell építése (pl. KNN). Forrásadatbázisok kezelése.
Programozás Pythonban: a szükséges könyvtárak használata (OpenCV, scikit-learn).
Modell tanítása és tesztelése.
Valós idejű alkalmazás bemutatása és tesztelése.

2. rész

Machine Learning alapok: Felügyelt és felügyelet nélküli tanulás. Klasszifikáció, regresszió és klaszterezés.
Machine Learning modell építése: Adatgyűjtés, előkészítés és előfeldolgozás. Modell kiválasztása és tanítása (pl. döntési fák, KNN, SVM). Modell értékelése és finomhangolása.
Gyakorlati példa: Az előző alkalom során összegyűjtött adatok újrahasználata különböző Machine Learning modellek tanításához.
Modell teljesítményének mérése és optimalizálása.

3. rész

Jupyter Notebook: Mi az a Jupyter Notebook, és hogyan használható a gépi tanulási projektekben? A Jupyter Notebook alapvető funkciói és példák.
Adatok keresése és kezelése Kaggle segítségével: Hogyan használjuk a Kaggle-t adatforrásként? Adatok letöltése és előkészítése Kaggle datasetekből. Kaggle versenyek és kihívások bemutatása.
Adatkezelés és vizualizációs eszközök:
NumPy: Alapvető műveletek tömbökkel és mátrixokkal.
Pandas: Adatok betöltése és előkészítése DataFrame-ekkel.
Matplotlib: Alapvető grafikonok és vizualizációk készítése.
Seaborn: Stílusos és informatív adatvizualizációk készítése.
Plotly: Interaktív vizualizációk készítése.
Machine Learning és Deep Learning keretrendszerek:
scikit-learn: Gépi tanulási modellek építése és értékelése.
Keras: Könnyen használható API a Deep Learning modellek építéséhez.
TensorFlow: Hálózatok építése és tanítása TensorFlow segítségével.

  • 1. Machine Learning alapok bemutatása egy gyakorlati példán keresztül.

  • 2. Machine Learning alapok megerősítése – elmélet és gyakorlat

  • 3. Eszközök és keretrendszerek a Machine Learning világában

Az oktatóról

Filep Szabolcs
mérnökinformatikus, szoftverfejlesztő, oktató

Szabolcs a Budapesti Műszaki és Gazdaságtudományi Egyetemen végzett mérnök informatikusként és szoftverfejlesztőként, ahol már találkozott a mesterséges intelligenciával. Közel húszéves full-stack programozói és tesztelői tapasztalattal rendelkezik, és számos nagy szoftverfejlesztő cégnél, valamint pénzügyi intézményben dolgozott. 2015 óta rendszeresen oktat és tart előadásokat a témában mind a felsőoktatásban, mind a felnőttképzésben. 2016-ban megalapította a Progmasters oktatóközpontot, amely fejlesztői és tesztelői bootcamp képzéseket, valamint munkaerő-közvetítési projekteket szervez és bonyolít le. A generatív AI témák iránt már azok megjelenése óta érdeklődik, különös tekintettel a fejlesztői területen való alkalmazásukra.