Felnőttképzési programok

Mesterséges intelligencia alkalmazása a mindennapokban!

A képzés célja:

A gépi tanulás, mint a mesterséges intelligencia egy részhalmaza, alapvetően olyan algoritmusokkal foglalkozik, amelyek az információt döntésre, beavatkozásra alkalmas intelligenciává alakítják. Gépi tanulás nélkül szinte lehetetlen lépést tartani a Big Data korszakának hatalmas információáramával. A képzés bemutatja a gépi tanulás alaptípusait, összefoglalja a legfontosabb tanulórendszer-architektúrákat. Az elméleti alapok tárgyalásán túl cél, hogy fejlessze a tudatos problémamegoldó készséget, egy választott támogató rendszer, az R programozási nyelv segítségével. Az R programozási nyelv hatékony, könnyen tanulható eszközkészletet kínál, amely segítséget nyújt az adatok megismerésében az előrejelzések meghozatalához, műszaki, gazdasági és társadalomtudományi területeken egyaránt.

A képzés a „learning-by-doing” módszertan segítségével építkezik, „Case Study”-k mentén vezeti be a résztvevőt a különböző szakterületek egy-egy jellemző problémájának, feladatának vizsgálatába.

Kiknek ajánljuk?

Bárkinek, aki érdeklődik a téma iránt. Előny, ha már rendelkezik BSc, BA alapképzéssel, vagy éppen azt végzi, de már a matematika kurzusokon túljutott.

A képzés típusa:

bejelentett felnőttképzés

A képzés óraszáma:

48 óra (8*6 óra)

Jelentkezés feltétele:

közép- vagy felsőfokú végzettség

Előzetesen elvárt ismeretek:

statisztikai alapismeretek, Microsoft Excel felhasználói szintű ismerete

Kimenet:

tanúsítvány a képzés elvégzéséről

Jelentkezési határidő:

2024. október 14.

Képzés indulása:

2024. november

Képzés módja:

jelenléti oktatás (8 alkalom)

Oktató:

Molnár László okleveles gépészmérnök, Edutus Egyetem műszaki tanár

A képzés tematikája:

1.: A legfontosabb alapfogalmak a mesterséges intelligencia (AI) és a gépi tanulás (ML) témakörben. Felügyelt, felügyelet nélküli, megerősítéses gépi tanulás, mély tanulás.

2.: Adatakvizíció és adattisztítás. Adatelőkészítés: data.frame-ek létrehozása, A megfelelő ML modell kiválasztása, tanítása, tesztelése.

3.: Valóság és tény vs hipotézis és modell. Tanító- és teszthalmazok. Klasszifikáció, regresszió. Korrelációvizsgálat.

4.: Egyváltozós, többváltozós lineáris regresszió. A modell „jóságának” ellenőrzése (érzékenység, specifikusság, precizitás, pontosság, AUC, ROC, error-mátrix, SSE, R², RMSE).

5.: Logisztikus regresszió. Polinomiális regressziós algoritmus. Decision Tree, Random Forest (Döntési fa, Véletlen erdő) algoritmusok.

6.: Extreme Boost, XGBoost (Gradiens erősítés) algoritmus. Support Vector Machine (Támogató vektor gép) algoritmus. Neural Network (Neurális háló) algoritmus.

7.: Convolutional Neural Network (Konvolúciós neurális háló) algoritmus, Tensorflow, Keras.

8.: Speciális adatszerzés: Web Scraping, Adatok anonimizálása, Szótár alapú algoritmus: érzelmek analízise. Zárófeladat: a képzésen tanultak alapján egy konkrét probléma megoldása.

Esettanulmányok:

• ipari szektor – becslés szerelősori adatokból a végtermék teszteredményeire
• pénzügyi szektor – ingatlanbecslés
• pénzügyi szektor – banki marketing kampány
• IT szektor – HDD meghibásodás előrejelzése
• business – megvásárlásra kerül-e egy mobilos fitness applikáció?
• társadalomtudomány – Titanic: túlélési esélyek
• IT szektor – szervernapló analízis, anomália detektálás
• ipari szektor – dörzshegesztés paramétereinek hangolása, szakítóerő predikció
• egészségügy – diabétesz predikció
• közegészségügy – Covid Magyarországon
• sportfogadás – foci VB döntőjének végeredménye megjósolható-e a félidei statisztikák alapján?
• applikáció – madárhatározó modell készítése és webes publikálása alkalmazásként
• business – vásárlói értékelések és kommentek gyűjtése, feldolgozása
• IT szektor – szervernapló adatainak anonimizálása, felhasználói webes alkalmazás fejlesztésével
• interdiszciplináris szektor – érzelmek analízise írott szövegből

A képzés elvégzését igazoló tanúsítvány kiadásának feltétele:

• a foglalkozások legalább 80%-án való részvétel,
• a zárófeladat minimum 70%-os teljesítése.

A képzési díja:

Bevezető áron 240 000 Ft + Áfa / fő, bruttó 304.800 Ft/ fő

A képzés minimum 8 fő jelentkezése esetén indul maximum 12 fővel.

Képzés helyszíne:

Edutus Egyetem, 1114 Budapest, Villányi út 11-13.

(igény esetén Edutus Egyetem, 2800 Tatabánya Béla király krt. 58.)

Vállalatok, vállalkozások számára egyéni igények alapján valósítjuk meg a képzést. A képzési díj a cég egyéni igényei alapján kerül megállapításra.

Az Alkalmazott gépi tanulás című képzés támaszkodik az alapmatematikára, az R programozási nyelvet pedig a learning-by-doing módszerrel használja a leggyakoribb gépi tanulási algoritmusok futtatására.

A Kvantitatív analízis – pre gépi tanulás című képzés részletesebben foglalkozik az eszközzel, az R programozási nyelvvel és felfrissítésre kerülnek a szükséges matematikai, statisztikai alapok.

A két képzésnek van logikai sorrendje, de működőképes külön-külön is.

A Kvantitatív analízis – pre gépi tanulás című képzésről bővebb információt ITT talál honlapunkon.

A két képzés kimenetele azt nem kínálja, hogy hard-core kódolóként, egyből új gépi tanulási algoritmusokat fognak tudni fejleszteni, de azt igen, hogy alaposan megismerik a rengeteg adattal bíró problémákat, és el fogják tudni dönteni, hogy melyik létező algoritmus adja az elvárt szignifikancia szinten a legmegbízhatóbb megoldását.

Jelentkezés, érdeklődés:

Horváthné Felföldi Helga

E-mail cím: felfoldi.helga@edutus.hu

Mobilszám: +36 20 379 7530

A képzés részleteiről további felvilágosítás:

Molnár László

E-mail cím: molnar.laszlo@edutus.hu