Školení na Machine Learning v průmyslu

Detailní popis produktu

Cíl kurzu: Kurz je zaměřen na aplikaci strojového učení ve výrobních procesech. Student se seznámí se základními technikami a nástroji pro analýzu a optimalizaci výroby pomocí strojového učení, zejména s využitím knihoven Pythonu jako Scikit-learn, Numpy, Pandas a nástrojů pro vizualizaci dat.

Požadavky:

• Znalost Pythonu (předpokládá se alespoň základní úroveň)

• Základní orientace v analytice a statistice

Modul 1: Úvod do strojového učení a jeho aplikace ve výrobě

1. Co je strojové učení?

   • Definice strojového učení

   • Typy strojového učení (učení s učitelem, učení bez učitele, posilované učení)

2. Aplikace strojového učení ve výrobě:

   • Predikce výtěžnosti

   • Predikce poruch

   • Optimalizace výrobních procesů

   • Prediktivní údržba

3. Základy práce s daty:

   • Import dat (CSV, Excel, databáze)

   • Čistění a předzpracování dat

   • Práce s chybějícími hodnotami

Modul 2: Základy práce s knihovnami pro strojové učení (Scikit-learn, Numpy, Pandas)

1. Numpy a Pandas pro efektivní práci s daty:

   • Práce s Numpy poli (numpy.array)

   • Pandas DataFrames a Series

   • Filtrace, agregace a manipulace s daty

   • Úpravy dat, práci s chybějícími hodnotami a normalizace

2. Vizualizace dat:

   • Matplotlib a Seaborn pro vizualizaci dat

   • Tvorba základních grafů (histogramy, boxploty, scatter ploty)

   • Vizualizace korelací a trendů ve výrobních datech

Modul 3: Modely strojového učení pro výrobní data

1. Regresní modely:

   • Lineární regrese

   • Vícenásobná lineární regrese

   • Evaluace modelů (MSE, RMSE, R^2)

2. Klasifikační modely:

   • Klasifikace pomocí logistické regrese

   • Klasifikace pomocí rozhodovacích stromů

   • Random Forest a SVM

   • Evaluace klasifikačních modelů (přesnost, recall, F1-score)

3. Detekce anomálií:

   • K-means clustering pro identifikaci anomálií

   • Algoritmy pro detekci anomálií ve výrobních procesech

4. Předzpracování a feature engineering:

   • Výběr a transformace vstupních proměnných

   • Standardizace a normalizace dat

   • Křížová validace

Modul 4: Prediktivní modely pro optimalizaci výroby

1. Predikce výtěžnosti a kvality:

   • Použití regresních modelů pro předpověď kvality výrobků

   • Implementace lineárních a nelineárních modelů pro analýzu výtěžnosti

   • Modelování chybových a neefektivních procesů

2. Prediktivní údržba:

   • Modely pro predikci poruch zařízení (SVM, rozhodovací stromy, atd.)

   • Implementace modelu pro detekci stavu zařízení a predikci poruch

3. Optimalizace výrobních parametrů:

   • Aplikace strojového učení pro optimalizaci procesních parametrů

   • Evoluční algoritmy a optimalizační techniky pro optimalizaci výrobního procesu

Modul 5: Pokročilé techniky strojového učení a hluboké učení

1. Hluboké učení ve výrobě:

   • Úvod do hlubokých neuronových sítí

   • Použití hlubokého učení pro analýzu komplexních výrobních dat

   • Aplikace CNN a RNN pro predikci a analýzu sekvencí

2. Reinforcement Learning pro optimalizaci výrobních procesů:

   • Úvod do posilovaného učení

   • Modelování a aplikace algoritmů posilovaného učení pro zlepšení výrobních rozhodnutí

Modul 6: Případové studie a praktické aplikace

1. Případová studie 1: Predikce poruchy stroje v reálném čase

   • Sběr dat o stavu zařízení

   • Vytvoření modelu pro predikci poruchy

   • Implementace modelu a testování efektivity

2. Případová studie 2: Optimalizace výrobního procesu pomocí strojového učení

   • Identifikace klíčových parametrů pro optimalizaci

   • Výběr správného modelu pro optimalizaci výroby

   • Vyhodnocení a implementace výsledků

Modul 7: Závěrečný projekt

• Vytvoření vlastního projektu: Studenti budou pracovat na individuálním projektu, který zahrnuje sběr, analýzu a predikci výrobních dat pomocí strojového učení. Projekt bude zaměřen na konkrétní problém ve výrobním procesu a zahrnovat aplikaci modelů strojového učení.

• Prezentace výsledků: Studenti prezentují své projekty a výsledky analýzy.

Doporučené nástroje a knihovny:

• Python (verze 3.x)

• Scikit-learn

• Pandas

• Numpy

• Matplotlib

• Seaborn

Očekávané výstupy:

• Schopnost aplikovat základní modely strojového učení na výrobní data

• Dovednosti v analýze, predikci a optimalizaci výrobních procesů

• Práce s nástroji pro vizualizaci dat a interpretaci výsledků