Jaké jazyky a knihovny zvolit pro ML: výhody Pythonu a R, ekosystém nástrojů a tipy pro interoperabilitu a nasazení modelů do produkce.
Kategória: Strojové učení (Machine Learning)
Základy a algoritmy strojového učení (ML): Lineární regrese, rozhodovací stromy
Přehled ML: klíčové algoritmy, metriky a pipeline od přípravy dat po nasazení modelů, které přinášejí hodnotu v reálném provozu.
Supervizované vs. nesupervizované učení: Rozdíly v tréninkových datech
Rozdíl mezi supervizovaným a nesupervizovaným učením: kdy použít klasifikaci či clustering a jak pracovat s labely a anomáliemi v datech.
Reálné aplikace strojového učení v praxi: Doporučovací systémy a predikce
Reálné scénáře ML: od predikcí a doporučování po detekci podvodů a IoT. Jak měřit dopad a integrovat modely do firemních procesů.
Trénování modelů a evaluace přesnosti: Metriky a křížová validace
Jak správně trénovat a hodnotit modely: volba metrik, validace a práce s overfittingem, aby výsledky byly spolehlivé a opakovatelné.