• 16 detailne pripravených online lekcií

    Nové lekcie ti sprístupníme každý pondelok a štvrtok. Po sprístupnení si ich môžeš pozrieť v čase, ktorý ti vyhovuje, bez viazanosti na konkrétnu hodinu.

  • Overené vzdelávanie

    Akadémiu otvárame už po 7. raz a doteraz ňou prešlo 72 žien. Obsah priebežne dopĺňame podľa toho, na čo sa účastníčky pýtajú.

  • Podpora lektora a komunity

    Počas akadémie sa môžeš pýtať, konzultovať úlohy a získať podporu v uzavretej Discord skupine. Na učenie nebudeš sama.

  • Pre ženy so základmi Pythonu a dátovej analytiky

    Akadémia je určená pre ženy, ktoré už ovládajú základy Pythonu a prácu s dátami a chcú sa posunúť do sveta AI a Machine Learningu. Skúsenosti so strojovým učením nepotrebuješ, túto oblasť vysvetľujeme od úplných základov.

  • Praktická tvorba ML modelov

    A reálne projekty a prípadové štúdie. Vyskúšaš si regresiu, klasifikáciu aj clustering a prejdeš si celý proces tvorby modelu od prípravy dát cez jeho vyhodnotenie až po nasadenie do praxe.

  • Certifikát Aj Ty v IT

    Po splnení podmienok účasti a úspešnom absolvovaní záverečného testu získaš uznávaný certifikát Aj Ty v IT.

Posuň sa od dát k umelej inteligencii

Women AI / Machine Learning Academy je pokročilejšia akadémia pre ženy, ktoré už ovládajú základy Pythonu a dátovej analytiky a chcú preniknúť do sveta umelej inteligencie, Machine Learningu a Data Science.

Keď vieš pracovať s dátami, vieš odpovedať na otázku „čo sa stalo". Spravíš prehľad, tabuľku, graf, porovnáš minulý rok s tým súčasným. Machine Learning je ďalšie poschodie - odpovedá na otázku „čo sa pravdepodobne stane". Model sa naučí z historických dát, aké správanie viedlo k akému výsledku, a potom to isté dokáže odhadnúť pri nových prípadoch, ktoré ešte nikdy nevidel.

Presne tam začínajú dáta firmám reálne šetriť a zarábať peniaze. Banka vopred vie, ktorý klient bude mať problém so splácaním. Eshop vie, komu poslať akú ponuku. Poisťovňa vie, ktorá poistná udalosť je podozrivá. Mesto vie, koľko bicyklov bude v pondelok ráno treba.

Počas akadémie pochopíš, ako sa Machine Learning modely vytvárajú, trénujú, ladia a vyhodnocujú. Naučíš sa pracovať s dátami tak, aby si z nich dokázala vytvoriť modely, ktoré rozpoznávajú vzory a pomáhajú predpovedať budúce výsledky.

Nebudeš sa učiť iba teóriu. Jednotlivé postupy si vyskúšaš na realistických projektoch a prípadových štúdiách.

Všetko vysvetľujeme jednoducho a zrozumiteľne, na príkladoch z bežného života. Cieľom nie je, aby si vedela spustiť cudzí kód, ale aby si veciam naozaj rozumela, vedela vysvetliť, prečo model dal ten výsledok, čo znamená každé číslo, ktoré ti vyhodí, a čo urobiť, keď výsledok nie je dobrý.

Počas štúdia budete mať k dispozícii podporu lektorujúcich aj ostatných účastníčok v Discord skupine.

Prečo táto akadémia vznikla

Machine Learning som sa kedysi učil pracne. Z množstva kníh, kurzov a článkov, ktoré používali odborné termíny bez vysvetlenia a témy podávali zložitým programátorským jazykom alebo rovnicami. Veľa vecí som musel dohľadávať z rôznych zdrojov, aby som si vôbec poskladal ucelený obraz.

Preto som napísal presne taký kurz, aký by som sám chcel mať na začiatku. Používame jednoduchý a jasný jazyk, ktorému rozumieš na prvý pokus. Nepoužívame cudzie slová, ktoré sme predtým nevysvetlili. A náročné témy vysvetľujeme na jednoduchých, intuitívnych príkladoch, aby si pochopila nielen ako veci fungujú, ale aj prečo tak fungujú a aký to má všetko zmysel.

V jednej veci sme podľa mňa naozaj výnimoční: relatívne komplexné témy vysvetľujeme veľmi zrozumiteľne, krok za krokom tak, že sa to dokáže naučiť naozaj každý, kto má chuť a záujem.

Štefan Šimík, lektor akadémie

Pre koho je akadémia určená?

Pre ženy, ktoré už majú základné skúsenosti s Pythonom a dátovou analytikou a chcú sa posunúť k umelej inteligencii, Machine Learningu a tvorbe prediktívnych modelov.

  • Ak chceš rozšíriť svoje znalosti práce s dátami o AI a Machine Learning

  • Ak chceš pochopiť, ako fungujú prediktívne modely a kde sa využívajú

  • Ak hľadáš praktické vzdelávanie postavené na projektoch a prípadových štúdiách

  • Ak si sa už skúšala učiť Machine Learning sama z videí a článkov, ale chýbal ti ucelený systém - veci poskladané do seba, v správnom poradí a s vysvetlením súvislostí

  • Ak už máš za sebou iný kurz Pythonu alebo dátovej analytiky a hľadáš naň nadstavbu - toto je presne ten ďalší krok

  • Ak chceš pochopiť celý proces tvorby Machine Learning modelu - od prípravy dát až po jeho vyhodnotenie a nasadenie

  • Ak sa rekvalifikuješ alebo meníš odbor a chceš smerovať do dátovej vedy - potrebuješ pevný základ a konkrétne projekty, ktoré vieš ukázať

  • Ak chceš získané znalosti využiť v oblasti obchodu, financií, bankovníctva, marketingu, controllingu, poisťovníctva alebo v inej oblasti, kde sa pracuje s dátami

Čo budeš po absolvovaní akadémie vedieť

Cieľom akadémie je naučiť ťa pracovať s Machine Learning modelmi prakticky a systematicky. Od prvotnej orientácie v AI až po vytvorenie a vyhodnotenie vlastného modelu.

  • Budeš sa orientovať v základných pojmoch AI, Machine Learningu, Deep Learningu a Generative AI - budeš vedieť, čo je čo a ako to do seba zapadá

  • Naučíš sa pripraviť a analyzovať dáta pred tvorbou modelu: previesť na čísla dátumy, časy aj kategórie, doplniť chýbajúce hodnoty a odhaliť stĺpce, ktoré modelu nič nedávajú

  • Pochopíš celý proces tvorby Machine Learning modelu a budeš vedieť, v ktorej fáze práve si a čo ťa čaká ďalej

  • Naučíš sa hodnotiť presnosť modelov a vybrať správnu metriku pre danú situáciu - a budeš vedieť vysvetliť, prečo bežná „presnosť" pri nevyvážených dátach klame

  • Naučíš sa rozpoznať a riešiť pretrénovanie modelu - najčastejší dôvod, prečo model vyzerá skvele v testoch a v prevádzke zlyhá

  • Naučíš sa ladiť nastavenia modelov automaticky, aby dávali čo najpresnejšie výsledky

  • Budeš vedieť rozdeliť zákazníkov do segmentov, tie segmenty pomenovať a odprezentovať ich tak, aby im rozumel aj obchodný riaditeľ

  • Prejdeš si komplexné projekty a uvidíš celý proces práce s modelom od začiatku do konca

  • Pochopíš rozdiel a získaš skúsenosti s klasifikáciou, regresiou a clusteringom - a pri akejkoľvek úlohe budeš vedieť povedať, o ktorý typ ide

  • Budeš vedieť rozdeliť dáta na trénovaciu a testovaciu časť - a hlavne budeš rozumieť, prečo je to nutné a čo sa stane, keď to spravíš zle

Čo budeš po absolvovaní akadémie vedieť

  • Vyskúšaš si prácu s modelmi lineárnej a logistickej regresie, rozhodovacími stromami a Random Forest, aj s pokročilejším XGBoostom

  • Zvládneš cross-validáciu a budeš vedieť rozlíšiť, kedy je nameraný výsledok spoľahlivý a kedy je to len náhoda

  • Budeš stavať pipelines - moderný spôsob, ako celú prípravu dát a model spojiť do jedného celku, ktorý sa spustí jedným príkazom

  • Zvládneš Feature Engineering, teda tvorbu nových užitočných premenných z existujúcich dát. Práve tu sa najviac uplatní znalosť odboru, z ktorého prichádzaš

  • Naučíš sa model uložiť a nasadiť do praxe - ako webovú aplikáciu s formulárom, ako pravidelne spúšťaný report alebo ako službu pre iné systémy

  • Získaš pevný základ pre ďalší rozvoj v oblasti AI, Machine Learningu a Data Science

Na akých projektoch budeš pracovať

Akadémia je postavená na projektoch, nie na izolovaných cvičeniach. Každá téma má vlastný dataset a vlastné zadanie, ktoré je vždy formulované ako reálna úloha z praxe. Tu je prehľad tých hlavných.

  • REGRESIA - Oceňovanie nehnuteľností

    Šéf realitnej kancelárie chce program, ktorý automaticky odhadne cenu bytu. Tvoj prvý kompletný model od začiatku do konca.

  • REGRESIA + KLASIFIKÁCIA - Výsledky študentov

    10 000 študentov. Predpovieš bodový výsledok skúšky aj to, či študent prejde. Ten istý dataset, dve rôzne úlohy.

  • ROZHODOVACIE STROMY - Pôjdeme dnes hrať tenis?

    Zámerne maličký dataset, na ktorom si rozhodovací strom najprv zostrojíš sama - a potom porovnáš s tým, čo vyrobí počítač.

  • BINÁRNA KLASIFIKÁCIA - Predikcia cukrovky

    Zdravotné dáta, na ktorých sa naučíš všetky dôležité metriky a pochopíš, prečo je pri diagnostike horšie prehliadnuť chorého ako vystrašiť zdravého.

  • PIPLINES - Zdieľané bicykle v Londýne

    17 000 záznamov. Pre mestskú radnicu predpovieš, koľko bicyklov bude v danú hodinu treba. Ten istý projekt urobíš dvakrát, ručne aj cez pipelines, a porovnáš si to.

  • VEĽKÝ PROJEKT PRE REGRESIU - Ceny domov, 81 stĺpcov

    Najkomplexnejší regresný projekt akadémie. Vymyslíš si vlastné nové premenné, doladíš model a uvidíš, ako chyba postupne klesá až na finálnu hodnotu s XGBoostom.

  • VEĽKÝ PROJEKT PRE CLUSTERING - Segmentácia klientov banky

    9 000 klientov s kreditnou kartou. Rozdelíš ich do segmentov, pomenuješ ich a ku každému navrhneš konkrétny obchodný krok. Kompletný projekt aj s prezentačnými grafmi.

  • NASADENIE MODELU - Meškajúce zásielky eshopu

    11 000 objednávok. Postavíš model, ktorý odhadne riziko meškania - a nasadíš ho štyrmi rôznymi spôsobmi vrátane webovej aplikácie a služby pre iné systémy.

K väčšine lekcií dostaneš aj domáce úlohy so vzorovými riešeniami a niektoré z nich sú samostatné projekty na úplne iných dátach. Napríklad si sama nasegmentuješ krajiny sveta podľa World Happiness Report alebo urobíš vlastný segmentačný projekt na zákazníkoch maloobchodu.

Do portfólia si tak pridáš celý rad praktických projektov, ktorými na pohovore preukážeš svoje zručnosti.

Ešte poznámka k dátam, na ktorých pracujeme

Zámerne pracujeme s prehľadnými datasetmi, aby si všetko vedela skontrolovať, mala celý proces vývoja pod kontrolou a aby ti to bez problémov zbehlo na bežnom notebooku. Chodí k nám veľa účastníčok a potrebujeme, aby si každá vedela príklady reálne spustiť.

Postupy sú pritom presne tie isté, aké sa používajú v ostrej prevádzke. Jediný rozdiel je v tom, že vo firme býva dát jednoducho viac, takže to beží na silnejšom stroji s väčšou pamäťou a rýchlejším procesorom. Princípy, postupy aj logika práce zostávajú rovnaké.

Kde sa s tým uplatníš

Táto akadémia ťa posunie o celú úroveň vyššie - z oblasti základnej dátovej analytiky do oblasti, kde sa dáta reálne využívajú na predikciu a optimalizáciu procesov vo firmách. Je to veľký a konkrétny krok smerom k práci dátovej vedkyne a dá ti presne to, čo sa pri hľadaní práce v tejto oblasti počíta najviac.

  • Rozšíriš si to, čo už vieš. Ak pracuješ s dátami, k reportom a prehľadom pridáš predikcie. V mnohých firmách je práve toto ten posun, na ktorom stojí povýšenie alebo prechod na zaujímavejšiu pozíciu

  • Je to dobrý základ pre rekvalifikáciu. Ak meníš odbor, dostaneš ucelenú a systematickú prípravu namiesto poskladaných útržkov z internetu. A akadémiu ti môže preplatiť aj Úrad práce

  • Budeš vedieť, o čom hovoríš. Na technickom pohovore sa neriešia definície, ale otázky typu „prečo si zvolila túto metriku", „ako si sa uistila, že model nie je pretrénovaný", „čo je data leakage". Presne toto v akadémii preberáme do hĺbky

  • Dotkneš sa aj toho, čo nasleduje po modeli. Ak ťa zaujíma aj dátové inžinierstvo, v závere akadémie sa naučíš model uložiť, nechať ho pravidelne bežať a sprístupniť ho ako službu (REST API), na ktorú sa napojí iný systém. Je to presne to miesto, kde sa dátová veda a inžinierstvo stretávajú

  • Otvoríš si dvere k pozíciám okolo dátovej vedy. Junior data scientist, dátová analytička so zameraním na modelovanie, analytička v risku, CRM, marketingu či controllingu - všade tam sa dnes očakáva, že vieš postaviť a vyhodnotiť model

  • Budeš mať čo ukázať. Nielen certifikát, ale hotové projekty: model, ktorý ohodnotí nehnuteľnosť, segmentácia klientov banky s pomenovanými skupinami a odporúčaniami, webová aplikácia s predikciou. To je presne to, na čo sa na pohovore pýtajú

  • Znalosť tvojho odboru sa stane výhodou. Pri tvorbe nových premenných rozhoduje ten, kto rozumie danej oblasti. Ak prichádzaš z bankovníctva, poisťovníctva, retailu alebo zdravotníctva, máš niečo, čo sa z učebnice naučiť nedá

  • Budeš vedieť, čo sa učiť ďalej. Na konci akadémie budeš mať jasnú predstavu o tom, kam sa dá pokračovať - a už to nebude neprehľadná hromada názvov, ale zoznam, v ktorom sa vyznáš

Postupy, ktoré sa naučíš, sú tie isté, aké sa reálne používajú vo firmách. Lektor akadémie stavia prediktívne modely pre banky, ktoré majú desiatky takýchto modelov v ostrej prevádzke - a učí ťa presne to, čo sám denne robí.

Na vzdelávanie nebudeš sama

Počas akadémie budeš mať prístup do uzavretej Discord skupiny pre účastníčky. Môžeš sa tam pýtať na čokoľvek okolo lekcií a domácich úloh, poradiť sa, keď ti niečo nejde, poslať screenshot chybovej hlášky, pomáhať ostatným a pochváliť sa tým, čo sa ti podarilo. Odpovedá ti priamo lektor a poradia ti aj ostatné účastníčky. Discord je bezplatná aplikácia a zvládneš ju aj bez predchádzajúcej skúsenosti. Ak sa objaví problém, ktorý sa písomne rieši ťažko - napríklad niečo nejde nainštalovať - dohodneme sa na krátkom videohovore a vyriešime to priamo na tvojom počítači. Nech sa objaví čokoľvek, nebudeš na to sama.

Spolu získaš

  • 16 odborných a detailne pripravených video lekcii

    Sprístupňované postupne každý pondelok a štvrtok. Vzdelávaš sa, kedy ti to vyhovuje. 17. lekcia ako záverečný test.

  • Materiály a datasety ku každej lekcii

    Každá lekcia je pripravená ako Jupyter notebook, kde je vysvetľujúci text aj spustiteľný kód pohromade. Ku každej dostaneš aj dáta, s ktorými spolu pracujeme. Navyše dostaneš každú lekciu aj ako HTML súbor, ktorý si otvoríš v prehliadači - aj na mobile, keď sa k nej chceš len vrátiť a niečo si prečítať

  • Praktické domáce úlohy

    Každú tému si upevníš na cvičeniach a zadaniach so vzorovými riešeniami, takže sa vieš vždy skontrolovať alebo sa inšpirovať, keď si nevieš rady. Nič sa nikam neodovzdáva, ideš vlastným tempom.

  • Skúsenosti využiteľné v rôznych oblastiach

    Získané znalosti môžeš uplatniť všade tam, kde sa pracuje s dátami, optimalizujú procesy alebo predpovedajú budúce výsledky.

  • Podporu v uzavretej skupine

    Počas akadémie sa môžeš pýtať, konzultovať problémy a získať pomoc od lektorujúcich aj ostatných účastníčok.

  • Certifikát Aj Ty v IT

    Na konci akadémie absolvuješ test, ktorý preverí tvoje nadobudnuté vedomosti a zručnosti. Po dosiahnutí minimálne 70 % získaš uznávaný certifikát.

Lektor

Komplexné témy umelej inteligencie vysvetľuje zrozumiteľne a prepája ich s praktickým využitím v reálnom svete.

Lektor Štefan Šimík

Štefan je Data Scientist, teda odborník na prácu s dátami, so zameraním na financie a bankovníctvo. Venuje sa dátovej analýze, strojovému učeniu aj vývoju softvéru. Do hĺbky pozná bankovníctvo, algoritmické obchodovanie aj finančné trhy. V súčasnosti pôsobí ako Data Science Consultant: pre banky a obchodné spoločnosti stavia dátové prehľady a prediktívne modely. S umelou inteligenciou pracuje aktívne a dlhodobo. Moderné AI nástroje používa každý deň: na prácu s dokumentmi, prieskumy, agendu, komunikáciu s klientmi aj programovanie AI projektov. V akadémii ťa učí presne to, čo sám denne robí - postupy, ktoré sa mu v praxi naprieč rôznymi odbormi najviac osvedčili. Vysvetľuje ich jednoducho a zrozumiteľne tak, aby im rozumel každý. V Aj Ty v IT už viedol aj Women Data Academy, Women AI/ML Academy a Women IT Academy.

Referencie

Akadémiu úspešne absolvovalo už 72 spokojných absolventiek

  • Jana (Bojnice)

    Ďakujem za pekne zorganizovaný kurz. Téma je náročnejšia a preto je veľmi dobre, že lekcie chodili 2x za týždeň s možnosťou podpory na discorde. Účastník ma šancu vstrebávať informácie, vyskúšať si a keď niečo nie je jasné, dodatočne sa opýta a téma je dovysvetlená. Je to oveľa efektívnejší systém ako niekoľkodňové intenzívne kurzy.

  • Lenka (Gelnica)

    Kurz ma určite posunul v tom, že som si viac začala veriť v mojich znalostiach z predchádzajúceho kurzu WDA a bola som schopná naň nadviazať a učiť sa nové veci vo svete Mashine Learningu, ktoré dúfam použijem v budúcom zamestnaní.

  • Sofia (Komárno)

    Chválim lektora, klobúk dole, že takúto tému vysvetlil tak, že som to pochopila. Ďakujem aj celému Aj Ty v IT, že takéto niečo robíte, lebo vďaka vám mam možnosť napredovať. S podporou som bola maximálne spokojná, keď som sa tam obrátila so žiadosťou o pomoc, dostala som odpoveď takmer okamžite s viacerými možnosťami riešenia vrátane video hovoru.

  • Hana (Bratislava)

    Ďakujem všetkým členom v Aj Ty v IT, za to čo vytvorili a robia. Ste naozaj profi a všetko máte do detailu premyslené. Určite vás budem odporúčať ďalej a so 100% istotou tvrdiť, že kurzy sú super.

  • Nina (Sereď)

    Ďakujem za perfektne zorganizovaný kurz. Vďaka vám ma to začalo baviť a zvládla som veci, o ktorých by som si ani nepomyslela, že niekedy zvládnem. Ďakujem tímu Aj Ty v IT, že takto podporujete a povzbudzujete dievčatá v IT odvetví. Špeciálna vďaka, perfektnému lektorovi za skvelú podporu.

Možnosti platby

✓ Online platba kartou

Okamžitá online platba kartou plnej sumy cez platobnú bránu.

✓ Platba na 3 splátky

Platba na 3 splátky počas troch nasledujúcich mesiacov. 

Prvá splátka okamžite cez platobnú bránu. Ďalšie dve splátky sťahované automaticky nasledujúce 2 mesiace v ten istý deň daného mesiaca.

✓ Platba cez benefitné systémy Edenred, Up Déjeuner alebo Benefit Plus.

Napíš nám na [email protected]

✓ Platba na faktúru pre firmy a organizácie:

Napíš nám meno a firemné fakturačné údaje na [email protected] a pripravíme ti faktúru, ktorá je vhodná pre firmy a organizácie. 

✓ Preplatenie cez Úrad práce

Akadémiu je možné preplatiť aj cez Úrad prace. Bližšie podmienky nájdeš tu >>>

Cena Women AI / Machine Learning Academy

✓ 16 odborných video lekcii ✓ podporná skupina ✓ záverečný certifikát

Podrobný priebeh akadémie

Akadémia obsahuje 16 lekcií plus záverečnú certifikáciu. Každá lekcia stavia na predchádzajúcej, takže veci do seba postupne zapadajú. Tu je detailný obsah.

Príprava prostredia

Spolu si všetko nainštalujeme a nastavíme

Než začneme, prejdeme si prípravu počítača krok za krokom, osobitne pre Windows aj pre Mac. Nikto nezostane visieť.

  • Inštalácia Anacondy (hotový balík Pythonu so všetkým, čo pre prácu s dátami potrebuješ)
  • Vlastné Python prostredie pre akadémiu: čo to je, prečo sa to používa a ako si ho vytvoríš, zálohuješ aj zmažeš, keby bolo treba začať odznova
  • Terminál bez strachu: každý príkaz si najprv urobíš myšou a hneď nato to isté napíšeš príkazom
  • Dôkladný úvod do JupyterLabu, prostredia, v ktorom budeš celú akadémiu pracovať
  • Ako sa v akadémii najlepšie učiť, ako fungujú domáce úlohy a kde nás nájdeš, keď budeš potrebovať pomoc

Základná orientácia v AI svete

Najprv si urobíme poriadok v pojmoch, aby si sa v IT svete nestratila

  • Ako sa zorientovať v buzzwordoch umelej inteligencie (čo znamenajú ML / AI / Deep Learning / Generative AI a ako to do seba zapadá)
  • Štruktúra algoritmov podľa spôsobu učenia (supervised / unsupervised / reinforcement learning - vysvetlíme, čo tieto pojmy znamenajú)
  • Ako delíme modely podľa cieľa: klasifikačné / regresné / clusteringové
  • Prečo sa aj dnes používajú klasické modely a nie na všetko neurónové siete - napríklad prečo banka nemôže zamietnuť úver modelom, ktorý sa nedá vysvetliť
  • Aké sú najpoužívanejšie ML knižnice ako scikit-learn, xgboost, keras, tensorflow (to sú hotové nástroje, ktoré ti veľmi uľahčia prácu)
  • Ako sa AI z histórie dopracovala k dnešnej podobe - od Turinga cez Deep Blue a AlphaGo až po ChatGPT

Práca s dátami a praktický postup pri vývoji ML modelov

Žiaden model nefunguje bez kvalitných dát

  • Zber a príprava dát na modelovanie
  • EDA (Exploratory Data Analysis - prvé prieskumné skúmanie dát, aby si pochopila, čo v nich je), ručne aj automatizovane
  • Konverzia rôznych dátových typov na čísla (počítač rozumie len číslam, preto treba všetko previesť: dátumy, časy, kategórie aj chýbajúce hodnoty)
  • Trénovacie a testovacie dáta (na čo slúžia a ako ich správne rozdeliť - trénovacie dáta sú na učenie modelu, testovacie na overenie jeho správnosti)
  • Výber, tréning, ladenie a vyhodnotenie modelu
  • Celý postup vývoja ML modelu v desiatich krokoch - od definície cieľa až po nasadenie a sledovanie v prevádzke. Vrátane toho, koľko práce zaberie ktorý krok. Prekvapenie pre väčšinu ľudí: zhruba 70 % projektu je práca s dátami, nie samotné modelovanie

Konkrétne ML modely a ich praktické použitie

Prejdeme si hlavné typy úloh, ktoré AI rieši, a naučíš sa používať konkrétne algoritmy

  • Modely lineárnej a logistickej regresie - vysvetlenie a praktické použitie (regresia predpovedá konkrétne čísla ako cenu bytu, logistická regresia zaraďuje do kategórií ako kúpi/nekúpi)
  • Prečo sa lineárne modely v bankách a poisťovniach používajú aj dnes: sú vysvetliteľné, veľmi rýchle a nepotrebujú veľa dát
  • Rozhodovacie stromy (Decision Trees) - vysvetlenie a praktické použitie. Strom si vykreslíš ako farebný obrázok a naučíš sa ho čítať uzol po uzle
  • RandomForest modely (les náhodných stromov) - vysvetlenie a praktické použitie
  • Dôležitosť prediktorov - ako z modelu zistiť, ktoré faktory naozaj rozhodujú o výsledku. To je užitočný analytický nástroj sám o sebe, aj mimo predikcií
  • XGBoost - jeden z najpresnejších bežne dostupných modelov a častý víťaz dátových súťaží

Profesionálne techniky na hodnotenie a zlepšovanie modelov

Nestačí model len vytvoriť, musí byť aj presný a spoľahlivý

  • Metriky - ako vyhodnocovať presnosť modelov, osobitne pre klasifikáciu aj pre regresiu. A prečo obyčajná „presnosť" pri nevyvážených dátach klame
  • Prečo je voľba metriky obchodné rozhodnutie, nie technický detail: rozhoduješ sa, či radšej prehliadneš chorého, alebo radšej vystrašíš zdravého
  • Cross-validation - ako spoľahlivejší spôsob odhadovania spoľahlivosti modelu. Uvidíš na vlastných dátach, ako sa výsledok hýbe len kvôli náhode a čo s tým
  • Pretrénovanie a podtrénovanie modelu - najčastejšia a najnebezpečnejšia chyba. Model so 100 % presnosťou na tréningu vyzerá ako úspech a v prevádzke zlyhá. Naučíš sa to odhaliť jednoduchým testom
  • Ladenie modelov - ako nájsť optimálne nastavenia modelu, a to automaticky namiesto ručného skúšania
  • Pipelines - moderný spôsob, ako aplikovať transformácie na dáta pred vstupom do modelu. Celý projekt urobíš najprv klasicky a potom cez pipelines, takže sám uvidíš rozdiel
  • Test Data Leakage - tichá chyba, pre ktorú model vyzerá výborne a v prevádzke zlyhá. Naučíš sa jednoduché pravidlo, ako sa jej vyhnúť. Presne toto odlišuje profesionálku od začiatočníčky
  • Feature Engineering - kreatívny prístup k zvýšeniu počtu prediktorov a presnosti modelu. Uvidíš, že tvoje vlastné vymyslené premenné sa dostanú medzi najsilnejšie faktory modelu

Clustering - zhlukovanie dát

Prvý typ modelu, ktorý si skupiny v dátach nájde sám

  • Čo je clustering, ako funguje a aké sú najpoužívanejšie modely
  • Model K-Means - vysvetlenie a praktické použitie
  • Ako určiť, na koľko skupín dáta rozdeliť (Elbow metóda), a prečo sa dáta pred clusteringom musia škálovať
  • Metriky pre clustering
  • Profilovanie segmentov - ako z čísel spraviť pomenované skupiny, ktorým rozumie aj marketing
  • Ďalšie algoritmy využívané v clusteringu (napríklad DBSCAN) a názorná ukážka dát, na ktorých K-Means zlyhá. Naučíš sa aj to, kedy ktorý nástroj nepoužiť

Komplexné praktické projekty

Všetko si vyskúšaš na reálnych projektoch a uvidíš celý proces od A po Z

  • Veľký projekt pre regresiu - oceňovanie nehnuteľností na datasete s 1 460 záznamami a 81 stĺpcami, vrátane tvorby vlastných premenných, ladenia modelu a porovnania viacerých modelov
  • Veľký projekt pre klasifikáciu - predikcia meškania zásielok pre medzinárodný eshop na 11 000 objednávkach
  • Veľký projekt pre clustering - segmentácia zákazníkov. Takmer 9 000 klientov banky s kreditnou kartou, od výberu premenných cez profilovanie až po pomenované segmenty a konkrétne obchodné odporúčania
  • Nasadenie modelu v praxi - štyri spôsoby, ktoré pokryjú prakticky všetky bežné situácie: spracovanie na požiadanie z Excelu, pravidelne naplánované spúšťanie, webová aplikácia s formulárom a služba pre iné systémy (REST API)
  • Kde končí práca dátovej vedkyne a kde začína práca DevOps tímu, aby si vedela, čo sa od teba vo firme reálne očakáva

Záver a ďalší rozvoj

Zhrnutie a smerovanie ďalej

  • Zhrnutie celého kurzu
  • Témy na horizonte - čo študovať ďalej
  • Záverečná certifikácia v poslednom týždni akadémie


Potrebné základné znalosti

Pre úspešné zvládnutie akadémie potrebuješ mať základné skúsenosti s:

  • Programovaním v Pythone (Python je programovací jazyk, ktorý sa najviac používa v AI a dátovej analytike)
  • Základmi dátovej analytiky pomocou knižnice pandas (pandas je nástroj v Pythone na prácu s tabuľkovými dátami, podobne ako Excel)

Predchádzajúce skúsenosti so strojovým učením ani umelou inteligenciou nepotrebuješ. Celú túto oblasť ti vysvetlíme úplne od začiatku a postupne, tému po téme.

Ak základy Pythonu a práce s dátami ešte nemáš, odporúčame ti najskôr absolvovať našu Women Data Academy - je to presne ten predchádzajúci krok.

Čo budeš potrebovať?

Technické vybavenie

  • Vlastný notebook (externý monitor je veľkou výhodou pre pohodlnejšiu prácu)
  • Dôležité upozornenie: Ak používaš notebook od firmy, v ktorej pracuješ, uisti sa, že máš právo inštalovať si vlastné programy. Niektoré firmy (napríklad banky) neumožňujú užívateľom inštalovať vlastný softvér. Na začiatku akadémie si totiž spolu nainštalujeme Python a všetky potrebné knižnice
  • Špeciálne výkonný počítač nepotrebuješ. Datasety a príklady sme pripravili tak, aby zbehli na bežnom notebooku
  • Stabilné internetové pripojenie

Jazykové znalosti

  • Efektívna znalosť angličtiny (minimálne pasívne na úrovni čítania textu)
  • Všetko dôležité na kurze je vysvetlené v slovenčine (detailné vysvetlenie tém, videá aj podpora na Discorde)
  • Doplňujúce textové materiály, domáce úlohy a záverečná certifikácia sú v jednoduchej angličtine, ktorá je základným jazykom vo svete IT
  • Všetky odborné pojmy ti vždy vysvetlíme po slovensky, skôr než ich začneme používať

Časová náročnosť

  • Dostatok času na štúdium jednotlivých lekcií aj domácich úloh
  • Priemerný odhadovaný čas: 10 - 12 hodín týždenne
  • Je to náročnejšia akadémia. Odporúčame si k lekciám aj vracať a kód si aspoň raz napísať vlastnými rukami - je to najviac podceňovaný a zároveň najužitočnejší krok

Podmienky certifikácie

Súčasťou akadémie je finálna certifikácia, ktorá preverí nadobudnuté zručnosti formou praktického testu. Prebieha počas posledného týždňa kurzu.

V certifikačnom týždni si zvolíš konkrétny deň a čas. Dostaneš zadanie s praktickými úlohami a riešenia odovzdáš v stanovenom časovom limite (zvyčajne 12 hodín).

Nič sa nemusíš učiť naspamäť. Riešiš praktické úlohy presne toho typu, aké sme robili počas akadémie - a presne tak, ako sa to robí aj v bežnej praxi, teda s dokumentáciou po ruke.

Tvoje riešenie vyhodnotíme na stupnici od 0 do 100 %. Na získanie certifikátu Aj Ty v IT musíš dosiahnuť aspoň 80 % úspešnosť. Certifikát obsahuje aj tvoju percentuálnu úspešnosť - je to teda doklad, že si akadémiu nielen absolvovala, ale obsah aj prakticky zvládla. Práve preto má váhu aj u zamestnávateľa.






Najčastejšie otázky a odpovede

  • Je Women AI / Machine Learning Academy vhodná aj pre úplné začiatočníčky?

    Akadémia nie je určená pre úplné začiatočníčky bez skúseností s programovaním. Na jej absolvovanie potrebuješ ovládať základy Pythonu a práce s dátami v knižnici pandas. Ak tieto znalosti ešte nemáš, odporúčame ti najskôr absolvovať našu Women Data Academy - je to presne ten predchádzajúci stupienok a po nej na túto akadémiu už bez problémov nadviažeš.

  • Absolvovala som už iný kurz Pythonu a dátovej analytiky. Je táto akadémia vhodná ako nadstavba?

    Áno, presne pre toto akadémia vznikla. Je určená pre ženy, ktoré už vedia základy Pythonu a dátovej analytiky, napríklad prácu s knižnicou pandas, a chceli by urobiť krok vpred na ďalší level. Najbližší prirodzený posun zo sveta dátovej analytiky je práve krok do sveta Machine Learningu a prediktívnej analytiky. Nezáleží na tom, kde si tie základy získala - či u nás vo Women Data Academy, na inom kurze, v škole alebo v práci.

  • Musím už niečo vedieť o Machine Learningu alebo umelej inteligencii?

    Nie, vôbec nič. Celú oblasť Machine Learningu vysvetľujeme od úplných základov. Akadémia je postavená presne pre ženy, ktoré vedia pracovať s dátami a robia teraz prvý krok do sveta AI. Začíname tým, že si upraceme v pojmoch, a postupne prechádzame k jednotlivým modelom, ich vyhodnocovaniu, ladeniu a nasadeniu.

  • Budem pracovať na reálnych projektoch, ktoré si môžem dať do portfólia?

    Áno. Akadémia je postavená na projektoch, nie na izolovaných cvičeniach. Prejdeš si niekoľko kompletných projektov od zadania po výsledok, okrem iného: oceňovanie nehnuteľností na datasete s 81 stĺpcami, vrátane tvorby vlastných premenných a ladenia modelu segmentácia takmer 9 000 klientov banky s pomenovanými segmentmi a obchodnými odporúčaniami predikcia meškania zásielok eshopu vrátane nasadenia modelu ako webovej aplikácie K tomu ti pribudnú ďalšie samostatné projekty z domácich úloh. Dôležité je, že pri každom vieš vysvetliť, prečo si sa rozhodla tak, ako si sa rozhodla - a presne na to sa na pohovore pýtajú.

  • Pomôže mi akadémia pri rekvalifikácii a zmene kariéry?

    Áno, a je to jeden z hlavných dôvodov, prečo k nám ženy prichádzajú. Dostaneš ucelenú a systematickú prípravu namiesto poskladaných útržkov z internetu, praktické projekty do portfólia a po úspešnej certifikačnej skúške aj certifikát s percentuálnou úspešnosťou, ktorý má váhu u zamestnávateľa. Akadémiu ti navyše môže preplatiť Úrad práce - bližšie podmienky nájdeš vyššie v sekcii Možnosti platby. Ak nevieš posúdiť, či ti akadémia sadne, napíš nám, čo už vieš a kam sa chceš dostať. Radi ti poradíme.

  • Koľko času si máš na akadémiu vyhradiť?

    Odporúčaná časová náročnosť je približne 10 až 12 hodín týždenne. Tento čas zahŕňa sledovanie lekcií, vypracovanie domácich úloh, precvičovanie aj prácu na praktických projektoch.

  • Ako prebieha výučba?

    Akadémia obsahuje 16 detailne pripravených video lekcií plus záverečný test. Nové lekcie ti sprístupníme každý pondelok a štvrtok. Po sprístupnení si ich môžeš pozrieť v čase, ktorý ti vyhovuje. Ku každej lekcii dostaneš aj materiály, datasety a domáce úlohy so vzorovými riešeniami. Nič sa nikam neodovzdáva, ideš vlastným tempom.

  • Potrebujem výkonný počítač? Aké nástroje budem počas akadémie používať?

    Nie. Datasety aj príklady sme pripravili tak, aby ti pohodlne zbehli na bežnom notebooku. Postupy, ktoré sa naučíš, sú pritom tie isté, aké sa používajú vo firmách. Tam je hlavný rozdiel v tom, že dát je viac a beží to na silnejšom stroji - princípy a logika práce zostávajú rovnaké. Pracujeme v JupyterLabe, prostredí, kde je vysvetľujúci text aj spustiteľný kód pohromade. Hlavnou knižnicou akadémie je scikit-learn, najpoužívanejšia knižnica pre klasický Machine Learning na svete. Ďalej používame pandas na prácu s dátami, plotly a matplotlib na grafy, XGBoost pre najpresnejšie modely a na záver nástroje na nasadenie modelu do prevádzky. Všetko sú to bezplatné, otvorené nástroje - žiadne platené predplatné nepotrebuješ.

  • Naučím sa v akadémii aj neurónové siete a Deep Learning?

    Vysvetlíme si, čo neurónové siete a Deep Learning sú, ako fungujú, na čo sa hodia a kedy sa naopak neoplatia. Praktická časť akadémie je však postavená na klasickom Machine Learningu - a má to dobrý dôvod. Klasické modely sú v biznise stále najpoužívanejšie: potrebujú menej dát, sú rýchle, a hlavne sa dajú vysvetliť. V regulovaných odvetviach ako bankovníctvo alebo poisťovníctvo je to podmienka, nie luxus. Zároveň sú základom, bez ktorého sa k neurónovým sieťam nedá rozumne posunúť. Po tejto akadémii budeš mať presne ten základ, na ktorom sa dá stavať ďalej.

Máš ďalšie otázky?

Prečítaj si doplňujúce otázky a odpovede k našim akadémiám >>>

Alebo nám napíš na [email protected].

A ak si sa dočítala až sem, zrejme o akadémii uvažuješ. Pokojne nám napíš aj otázku, na ktorú si tu nenašla odpoveď - alebo nám napíš, čo už vieš a kam sa chceš dostať. Radi ti pomôžeme zistiť, či je Women AI / Machine Learning Academy pre teba to pravé.