Školení Umělá inteligence pro středoškolské učitele

Týdenní intenzivní kurz je určen pro všechny středoškolské učitele, kteří by rádi zařadili umělou inteligenci do výuky informatiky, ale nemají potřebné znalosti a zkušenosti. [Kód kurzu: AM1413]
Výrobce: MLC
*
    17 990 Kč bez DPH

    Prerekvizity

    • Základní znalost programování v Pythonu

    Co si účastník odnese
    Týdenní intenzivní kurz je určen pro všechny středoškolské učitele, kteří by rádi zařadili umělou inteligenci do výuky informatiky, ale nemají potřebné znalosti a zkušenosti. V kurzu projdeme úplnými základy umělé inteligence a strojového učení a dostaneme se až k návrhu umělých neuronových sítí v Pythonu. Výukové materiály a obsah školení jsou postaveny tak, aby je bylo možné převzít a použít přímo ve výuce na střední škole buď formou samostatného předmětu nebo jako doplnění existující výuky informatiky.

    [Kód kurzu: AM1412]

    5denní kurz | 9:00 - 17:30

    Jazyk: Česky
    Úroveň: beginner

    Osnova školení:

    1. Kapitola 1: Úvod do umělé inteligence
      • co je a co není umělá inteligence
      • slabá a silná umělá inlitegence
      • úlohy umělé inteligence (strojové učení, prohledávání prostoru, optimalizace, plánování, strojové vnímání, zpracování přirozeného jazyka)
      • příklady aplikací umělé inteligence v jednotlivých oblastech
      • historie a milníky umělé inteligence
    2. Kapitola 2: Data a informace
      • rozdíl mezi daty a informacemi
      • data sety a jejich vznik
      • strukturovaná vs. nestrukturovaná data
      • co jsou big data a jak s nimi zacházet
      • intuice vs. fakta
      • příklady selhání intuice
      • praktické příklady rozhodování na základě dat
      • základy popisné statistiky
      • vizualizace dat
      • reprezentativnost dat
      • změny podmínek
      • bias v datech
      • osobní data a GDPR
    3. Kapitola 3: Úvod do strojového učení a jeho aplikací
      • co je učení a čím je specifické strojové učení
      • generalizace vs. memorování
      • proces strojového učení
      • strojové učení s učitelem a bez učitele
      • klasifikace
      • regrese
      • shlukování
      • zpětnovazební učení
      • vybrané aplikace ze zpracování obrazu, zpracování přirozeného jazyka, doporučování a hraní her
    4. Kapitola 4: Filosofie umělé inteligence
      • turingův test a argument čínského pokoje
      • exponenciální růst
      • bezpečnost a férovost metod umělé inteligence
      • společenský dopad umělé inteligence (seberou nám stroje práci?)
      • etické otázky v umělé inteligenci
    5. Kapitola 5: Základy datové analýzy v jazyce Python
      • základy a syntax jazyka Python 3.x (základní datové struktury, cykly, podmínky, základy OOP, serializace)
      • vektory, matice a práce s nimi v knihovně NumPy
      • seznámení s Jupyter notebooky v prostředí Google Colab
      • načítání dat a jednoduchá manipulace s nimi v knihovně Pandas
      • praktické příklady na jednoduchou manipulaci s daty a vyvozování závěrů z nich
    6. Kapitola 6: Regrese
      • opakování definice regrese a jejího použití
      • proces regresní analýzy od přípravy dat až po trénování, predikci a validaci
      • matematické základy – vektor, vektorový prostor, nadrovina, geometrická interpretace derivace
      • datové struktury – grafy a stromy
      • lineární regese
      • rozhodovací stromy pro regresi
      • praktická cvičení v knihovně ScikitLearn
    7. Kapitola 7: Klasifikace
      • opakování definice klasifikace a jejího použití
      • proces klasifikace od přípravy dat až po trénování, predikci a validaci
      • matematické základy – logaritmy
      • logistická regrese
      • křížová entropie
      • rozhodovací stromy pro klasifikaci
      • praktická cvičení v knihovně ScikitLearn
    8. Kapitola 8: Umělé neuronové sítě
      • perceptron a jeho vztah k lineární a logistické regresi
      • opakování maticového počtu
      • nejběžnější aktivační funkce
      • chybové funkce v neuronových sítích
      • dopředné neuronové sítě
      • algoritmus zpětné propagace chyby (intuitivně)
      • klasifikace a regrese
      • konvoluční neuronové sítě
      • vizualizace neuronových sítí
      • základy knihovny Tensorflow/Keras pro implementaci neuronových sítí
      • praktická cvičení na řešení různých problémů z běžného života pomocí neuronových sítí
      • zpracování obrazu pomocí neuronových sítí

    Možnosti ubytování a parkování

    Dosažená ocenění

    Microsoft AEP jsme ESET Partner Centrum Microsoft Partner Microsoft SBS Citrix Adobe Partner