Kurs Machine Learning and AI

Kurs Machine Learning and AI pruža sve neophodne osnove i praktična znanja koja će vam omogućiti da samostalno kreirate modele mašinskog učenja i zakoračite u svet veštačke inteligencije. Bez obzira na to da li ste početnik ili već imate predznanje, ovaj kurs će vas postepeno uvesti u jednu od najuzbudljivijih i najperspektivnijih oblasti IT industrije.

Na kursu ćete se upoznati sa osnovama mašinskog učenja, a naši predavači će se pobrinuti da razumete kako funkcioniše obrada podataka i kako rade najvažniji algoritmi koji stoje iza „magije” veštačke inteligencije. Kroz niz praktičnih zadataka, uz upotrebu programskog jezika Python i biblioteka poput scikit-learn i SciPy, naučićete kako da analizirate podatke, trenirate modele, optimizujete njihove performanse, i pripremite ih za primenu u realnim projektima.

Jednostavnije rečeno, to znači da ćete uz pomoć scikit-learn biblioteke naučiti kako da brzo i efikasno kreirate modele mašinskog učenja za klasifikaciju, regresiju i klasterovanje, dok ćete sa SciPy bibliotekom moći da primenite napredne matematičke funkcije za analizu i obradu podataka.

Na kraju, bićete spremni da ove alate koristite u stvarnim situacijama kako biste donosili bolje odluke na osnovu podataka. Ovaj kurs nije samo prilika da naučite teoriju, već vas vodi kroz sve korake potrebne za stvaranje funkcionalnih AI rešenja. Na kraju kursa, bićete spremni da samostalno razvijate modele mašinskog učenja, bilo da je reč o analizi podataka, predviđanju ili implementaciji AI sistema u različitim industrijama. Dobrodošli na kurs koji vas uvodi u budućnost tehnologije.

Opis i ciljevi kursa Machine Learning and AI

Opis kursa

U poslednjih nekoliko godina, veštačka inteligencija je postala ključna tehnologija koja transformiše sve aspekte našeg društva i industrije. Od autonomnih vozila i pametnih asistenata do personalizovane medicine i napredne analitike, veštačka inteligencija je omogućila kompjuterima da obavljaju zadatke koji su nekada bili isključivo zavisni od ljudske inteligencije. Ukoliko i vi želite da se priključite toj uzbudljivoj i rastućoj oblasti softverskog razvoja kao tvorac, a ne samo konzument, onda ste na pravom mestu – na kursu Machine Learning and AI.

Kurs Machine Learning and AI bavi se praktičnom realizacijom mašinskog učenja na realnim primerima korišćenjem programskog jezika Python. Na taj način polaznici uplovljavaju u svet veštačke inteligencije i stiču osnovna znanja o ovoj vrlo dinamičnoj i opširnoj oblasti.

Kurs Machine Learning and AI je namenjen apsolutnim početnicima i ne zahteva nikako predznanje o veštačkoj inteligenciji i mašinskom učenju. Nije potrebno ni bilo kakvo predznanje iz matematike, statistike i sličnih naučnih disciplina koje se vezuju za funkcionisanje veštačke inteligencije. Sve što je potrebno za uspešno kreiranje vaših prvih modela mašinskog učenja obuhvaćeno je kursom Machine Learning and AI.

Gradivo kursa podeljeno je u nekoliko logičkih celina kroz koje se obrađuju i praktično realizuju svi koraci jednog projekta mašinskog učenja. Između ostalog, u kursu su obrađeni analiza, vizualizacija, transformacija i podela podataka, odabir odgovarajućih algoritama, treniranje, validacija, testiranje i objavljivanje modela.

Podaci imaju ogromnu važnost u svetu veštačke inteligencije i mašinskog učenja; zbog toga im je u kursu Machine Learning and AI posvećena posebna pažnja. Polaznici imaju prilike da nauče kako se analiziraju podaci koji se upotrebljavaju u svrhu mašinskog učenja, sve radi boljeg razumevanja i pripreme za fazu učenja. Tokom priče o analizi i vizualizaciji podataka, u kursu Machine Learning and AI obrađuju se brojni paketi koji pripadaju takozvanom SciPy ekosistemu, odnosno skupu biblioteka koje se koriste u oblasti matematike, nauke i inženjerstva.

Algoritmi su onaj sastojak koji omogućava da se dogodi „magija” tokom procesa mašinskog učenja. Zbog toga je njihovo poznavanje podjednako važno kao i rad sa podacima. U kursu Machine Learning and AI polaznici imaju prilike da se upoznaju sa najpopularnijim algoritmima mašinskog učenja za rešavanje problema klasifikacije i regresije. Kurs pokriva i tehnike za optimizaciju hiperparametara, kako bi polaznici naučili da izvuku najbolje performanse iz svojih modela.

Završni „čin” kursa Machine Learning and AI odnosi se na pakovanje i čuvanje kreiranih modela mašinskog učenja u oblik koji se može distribuirati i upotrebiti unutar nekog drugog softverskog sistema. Tako se u potpunosti zaokružuje priča o praktičnoj realizaciji mašinskog učenja i polaznici postaju spremni da se otisnu u samostalno kreiranje sopstvenih modela.

Cilj kursa

Cilj kursa Machine Learning and AI jeste osposobljavanje polaznika za kreiranje modela mašinskog učenja, samostalnim sprovođenjem svih koraka, počevši od analize i obrade podataka, preko odabira algoritma, treniranja, validacije, testiranja i podešavanja hiperparametara modela, pa sve do finalizacije i distribucije kreiranih modela. Na taj način polaznici stiču neophodna znanja koja će im omogućiti brz ulazak u svet mašinskog učenja.

Kurs Machine Learning and AI će vam odgovoriti na pitanja

Šta je veštačka inteligencija?

U poslednjih nekoliko godina, veštačka inteligencija je postala ključna tehnologija koja transformiše sve aspekte našeg društva i industrije. Od autonomnih vozila i pametnih asistenata do personalizovane medicine i napredne analitike, veštačka inteligencija je omogućila kompjuterima da obavljaju zadatke koji su nekada bili isključivo u domenu ljudske inteligencije.

Veštačka inteligencija (artificial intelligence – AI) jeste grana računarstva koja se bavi razvojem algoritama i sistema sposobnih da obavljaju zadatke koji zahtevaju inteligenciju poput ljudske. To uključuje učenje, zaključivanje, rešavanje problema, razumevanje prirodnih jezika, prepoznavanje obrazaca i još mnogo toga. Veštačka inteligencija obuhvata različite tehnike i pristupe, uključujući mašinsko učenje, duboko učenje, prirodno jezičko procesiranje i kompjuterski vid.

U kursu Machine Learning and AI polaznici imaju prilike da nauče praktične aspekte realizacije veštačke inteligencije posredstvom mašinskog učenja.

Šta je mašinsko učenje?

Mašinsko učenje je grana veštačke inteligencije koja se bavi razvojem tehnika i algoritama koji omogućavaju računarima da nauče kako da obavljaju određene zadatke na osnovu podataka, bez eksplicitnog programiranja za svaki pojedinačni scenario. U osnovi, mašinsko učenje omogućava računarima da identifikuju obrasce u podacima i izvode zaključke iz tih obrazaca, čime mogu donositi odluke, predviđati buduće događaje ili obavljati druge korisne zadatke.

Mašinsko učenje podrazumeva korišćenje algoritama koji mogu da detektuju različite upotrebljive osobine prosleđenih podataka. Korišćenjem mašinskog učenja moguće je detektovati nepoželjne email poruke, razvrstati članke na nekom sajtu po kategorijama, prepoznati rukom napisan tekst i još mnogo toga.

Mašinsko učenje je prva praktična disciplina u svetu razvoja veštačke inteligencije i zbog toga je intenzivno obrađena u kursu Machine Learning and AI.

Čemu služi scikit-learn?

Biblioteka scikit-learn je popularna biblioteka za mašinsko učenje u programskom jeziku Python. Osmišljena je tako da bude jednostavna za upotrebu i efikasna, i nudi širok spektar alata za analizu podataka i modelovanje.

Pomoću scikit-learn biblioteke moguće je obaviti pripremu podataka za mašinsko učenje, iskoristiti gotove implementacije najpopularnijih algoritama mašinskog učenja, kreirati model, evaluirati i testirati njegove performanse i još mnogo toga.

Biblioteka scikit-learn je centralna figura praktičnog aspekta kursa Machine Learning and AI. Polaznici imaju prilike da, koristeći ovu biblioteku, pripreme i transformišu podatke, pronađu najbolji algoritam za dati problem, kreiraju svoje prve modele mašinskog učenja, a zatim, korišćenjem različitih metrika, evaluiraju performanse takvih modela. Ukratko, scikit-learn omogućava sprovođenje svih praktičnih koraka u procesu jednog projekta mašinskog učenja.

Šta je SciPy?

SciPy je pojam koji ima nekoliko značenja i koji se u zavisnosti od konteksta može tumačiti na nekoliko različitih načina. SciPy se odnosi na ekosistem, odnosno na kolekciju različitih paketa namenjenih naučnom programiranju u programskom jeziku Python. Pored toga, SciPy jeste i zajednica ljudi koja se bavi razvojem i održavanjem takvog skupa tehnologija. Na kraju, SciPy (scipy) jeste i biblioteka koja se nalazi unutar istoimenog steka paketa.

SciPy je osnova za postizanje mašinskog učenja korišćenjem programskog jezika Python, zato što u svom sastavu poseduje pakete koji omogućavaju i olakšavaju rad sa velikom količinom podataka i njihovo korišćenje u procesu kreiranja modela mašinskog učenja. Tokom kursa Machine Learning and AI, polaznici se upoznaju sa bibliotekama kao što su NumPy, SciPy, matplotlib, pandas i scikit-learn.

Kako se obavljaju treniranje i validacija modela mašinskog učenja?

Treniranje modela je proces u kome se kompjuter prilagođava podacima kako bi naučio određene obrasce i veze. Procesom treniranja, dobija se model koji predstavlja praktičnu materijalizaciju onoga što je kompjuter naučio. U tom procesu se koriste podaci, i to tako što se ulazne karakteristike (atributi) povezuju sa odgovarajućim izlaznim vrednostima, odnosno ciljnim promenljivama. Konačan ishod jeste funkcionalan model koji je sposoban da vrši predviđanja na osnovu podataka sa kojima se do tada nikada nije susreo.

Uspešno treniranje modela je cilj u svakom projektu mašinskog učenja. Ipak, to je proces koji podrazumeva nekoliko koraka kako bi bio obavljen na odgovarajući način. Svi ti koraci praktično su ilustrovani u kursu Machine Learning and AI.

Šta su podešavanja hiperparametara i kako se ona vrše?

Priprema podataka i odabir algoritma nisu jedini „problemi” koje je potrebno rešiti u procesu mašinskog učenja. Programer ima na raspolaganju još jedno oruđe koje se može koristiti za fino podešavanje procesa treniranja modela. Reč je o podešavanju hiperparametara.

Hiperparametri su posebne vrednosti koje se određuju pre procesa treniranja modela i koriste se za kontrolu ponašanja algoritama mašinskog učenja. Reč je o vrednostima kojima možemo da utičemo na sam proces treniranja i na to kako će algoritam mašinskog učenja koristiti podatke koje smo stavili na raspolaganje za učenje.

Kurs Machine Learning and AI obrađuje pojam hiperparametara modela i prikazuje nekoliko pristupa za njihovo automatsko podešavanje.

Kako se rukuje podacima mašinskog učenja?

Podaci imaju ogroman uticaj na svet veštačke inteligencije i mašinskog učenja. Još 2001. godine, istraživači iz kompanije Microsoft su dokazali da se algoritmi različite složenosti ponašaju gotovo identično na rešavanju kompleksnih problema onoga trenutka kada im se obezbedi dovoljna količina podataka. Zbog toga podaci zauzimaju centralno mesto u priči o razvoju modela mašinskog učenja.

S obzirom na to da treniranje modela zahteva veliku količinu podataka, prvi korak se uvek odnosi na njihovo prikupljanje i skladištenje. Nakon obezbeđivanja podataka, na red dolazi proces njihove analize, kako bi se oni razumeli i bolje pripremili za proces transformisanja u oblik koji je pogodan za to da ga upotrebi model mašinskog učenja. Reč je o čitavoj plejadi operacija koje se mogu (a nekada i moraju) sprovesti nad podacima kako bi na njihovoj osnovi nastao dobar ML model. Zbog toga je jedna kompletna celina kursa Machine Learning and AI posvećena radu sa podacima mašinskog učenja.

Plan i program kursa po modulima

Modul 1 – Uvod u AI i kreiranje prvog ML projekta

• Uvod u AI i ML
• Uspostavljanje okruženja za ML razvoj
• Kreiranje prvih ML projekata

Modul 2 – Python i SciPy

• Osnove Python jezika
• Osnove SciPy ekosistema

Modul 3 – Rad sa podacima mašinskog učenja

• Podaci u svetu mašinskog učenja
• Analiza i razumevanje podataka
• Obrada, podela i transformisanje podataka
• Selekcija, uklanjanje i kreiranje karakteristika

Modul 4 – Treniranje, evaluacija i distribucija modela

• Treniranje i validacija modela
• Algoritmi mašinskog učenja
• Podešavanje hiperparametara, testiranje i čuvanje modela

Potreban softver i tehnički uslovi

Potrebno je imati računar sa Windows, Linux ili macOS operativnim sistemom.

Potrebno predznanje

Podrazumeva se da polaznik ima osnovno predznanje kad je reč o korišćenju kompjutera, prevashodno o obavljanju osnovnih operacija na operativnim sistemu. Takođe, podrazumeva se da polaznik poseduje osnovno poznavanje programskog jezika Python (tipovi podataka, promenljive, operatori, kontrola toka, funkcije i moduli).

Kompetencije

Modul 1 – Uvod u AI i kreiranje prvog ML projekta

• Uspostavljanje okruženja za kreiranje modela mašinskog učenja korišćenjem programskog jezika Python

Modul 2 – Python i SciPy

• Poznavanje svih elemenata Python jezika i paketa iz SciPy ekosistema neophodnih za uspešan razvoj modela mašinskog učenja

Modul 3 – Rad sa podacima mašinskog učenja

• Praktična realizacija analize i pripreme podataka za mašinsko učenje

Modul 4 – Treniranje, evaluacija i distribucija modela

• Treniranje, validacija i testiranje modela mašinskog učenja, odabir odgovarajućeg algoritma i podešavanje hiperparametara