A képzés célja

A kurzus bevezetést nyújt a gépi tanulás (machine learning) alapfogalmaiba, különös tekintettel a felügyelt tanulás módszereire. A résztvevők megismerkednek az adatalapú gépi tanulás folyamatával, az adatok előkészítésének fontosságával és technikáival, valamint a legismertebb felügyelt tanulási algoritmusok működésével. A kurzus során gyakorlati példákon keresztül, Python környezetben sajátíthatják el a modellek építésének, tanításának és értékelésének lépéseit és módszereit.

A képzés szervezője a Műszaki Informatikai Kar.

A választott kurzus leírása

A képzés elvégzésével a résztvevők képessé válnak az alábbiakra:

• Az adatok előkészítéséhez szükséges alapismeretek és gyakorlati technikák alkalmazása
• A legfontosabb felügyelt gépi tanulási algoritmusok működésének megértése és gyakorlati implementálása
• Jellemző szelekciós módszerek alapjainak elsajátítása a modell teljesítményének optimalizálásához
• Gyakorlati problémamegoldó készség gépi tanulási feladatok esetén.

Kinek ajánljuk

Pályakezdő és junior adatelemzőknek, akik szeretnék megérteni és alkalmazni a gépi tanulás alapjait.

Szoftverfejlesztőknek és informatikai szakembereknek, akik bővítenék tudásukat prediktív modellezési képességekkel.

Üzleti elemzőknek, akik szeretnék megérteni, hogyan használhatók a gépi tanuló algoritmusok az üzleti folyamatok prediktálásában.

A képzés tematikája

A képzés az alábbi területeket fedi le, az egyéni igényeket figyelembe véve válogatva és az igényeknek megfelelően elhelyezve a hangsúlyokat.

• A gépi tanulás alapjai: felügyelt tanulás, nem felügyelt tanulás, megerősítéses tanulás. Az adatalapó gépi tanulás módszertana.
• Adatelőkészítési alapismeretek: adattípusok, adattisztítás, hiányzó adatok kezelése, outlierek, adatok átalakítása (dummy változók, one-hot és integer kódolás), adatok skálázása és normálása, adatdiszkretizácó. Tréning/teszt és validációs halmazok szerepe és kialakítása.
• Felügyelt gépi tanulás elméleti alapjai I. (osztályozás): alapfogalmak és legismertebb osztályozó algoritmusok: döntési fa, KNN osztályozó, Bayes osztályozó, SVM, logisztikus regresszió, RandomForest. Az osztályozó modellek kiértékelése.
• Felügyelt gépi tanulás elméleti alapjai II. (regresszió): alapfogalmak és legismertebb regressziós módszerek: egyváltozós és többváltozós lineáris regresszió. Polinomiális regresszió. Gépi tanuló regressziós modellek. A regresszió kiértékelése.
• Osztályozás és regresszió a gyakorlatban: osztályozó és regressziós gépi tanuló modellek implementálása a Python scikit-learn modul csomag használatával, a modellek kiértékelése. A hiperparaméterek hatása a modellekre.
• Jellemző szelekció jelentősége és gyakorlati megvalósítása: jellemzőszelekciós módszerek
• Összefoglalás és az adatalapú gépi tanulás további lehetőségei

A képzés részvételi feltételei (szakmai előképzettség)

Python alapismeretek

A képzés várható hossza/ intenzitása

24 óra, 4 x 6 órás blokkokban