Kurz je vhodný pro každého, kdo již zná základy programování a chce proniknout do tajů umělé inteligence. Předchozí zkušenost s AI nebo strojovým učením není podmínkou.
Kurz je ideální pro každého, kdo chce pochopit principy umělé inteligence na praktických příkladech v Pythonu.
Máte za sebou vývoj nebo testování a chcete do své technické praxe přidat machine learning, neuronové sítě a konkrétní AI úlohy v Pythonu.
Pracujete s daty a chcete udělat další krok: používat modely pro predikce, klasifikaci, práci s textem nebo rozpoznávání obrazu.
Baví vás programování, zkoušíte nové technologie a chcete si na vlastním kódu ověřit, jak se AI modely tvoří, trénují a používají.
Potřebujete rozumět tomu, co AI reálně umí, kde má limity a jak o jejím využití rozhodovat bez závislosti jen na marketingových slibech.
Výuka kombinuje vysvětlení, praktické ukázky, krátká cvičení a samostatnou práci. Nejdříve pochopíte nové téma a potom ho procvičíte na konkrétních úlohách – ať už v týdenní, nebo víkendové formě.
Vysvětlení tématu, živé ukázky v Pythonu a kratší průběžná cvičení – ať už ve večerní lekci, nebo v dopoledním bloku víkendu.
Samostatná práce na úlohách, procvičení postupů a prostor na otázky – v týdenní formě v praktické lekci, o víkendu v odpoledních blocích.
Z lekcí budete mít k dispozici videozáznamy, ke kterým se můžete vracet při opakování nebo dohánění zameškané látky.
Mezi lekcemi (nebo mezi víkendy) dostanete úkoly pro samostatné procvičení, abyste si látku vyzkoušeli i mimo společnou výuku.
Během kurzu budete mít přístup do společného komunikátoru pro dotazy, sdílení řešení a komunikaci s lektorem i dalšími účastníky.
Každé nové téma má praktickou část: nejprve princip a typické použití, potom procvičení na úlohách.
Kurz nabízíme ve dvou formách – konkrétní dny a časy vždy najdete na kartě zvoleného termínu.
V tomto bloku se seznámíte se základy strojového učení – od Bayesovské statistiky přes rozhodovací stromy až po první vícevrstvé neuronové sítě. Každý model si naprogramujete a vyzkoušíte na reálných datech.
Naučíme se, jak počítače dokážou předpovídat a rozhodovat bez předem daných instrukcí. Prozkoumáme jednoduchý, ale silný Bayesův naivní klasifikátor, který umožňuje třídit data podle pravděpodobnosti.
Vstoupíme do světa rozhodovacích stromů, které pomáhají dělat rozhodnutí na základě dat. Naučíme se, jak optimalizovat parametry modelů a vyhodnocovat jejich výsledky.
Projdeme si princip vícevrstvých neuronových sítí a hlubokého učení. Ukážeme si, jak neuronové sítě zpracovávají vstupy, učí se z dat a řeší složitější úlohy.
Druhý blok je zaměřen na konvoluční a generativní neuronové sítě. Naučíte se rozpoznávat obrazy, vylepšovat modely pomocí datového posílení a tvořit generativní výstupy.
Konvoluční neuronové sítě slouží ke zpracování obrazových dat. Na praktickém modelu si vysvětlíme princip obrazových filtrů a ukážeme si aplikaci, která rozpoznává objekty v obrázku.
Zaměříme se na techniky datového posílení, které pomáhají zlepšit výsledky modelů pro rozpoznávání obrazu. Vyzkoušíme si, jak připravit data tak, aby model lépe zvládal různé varianty vstupů.
Podíváme se na generativní architektury a princip generativních protivníkových sítí (GAN). Ukážeme si, jak lze pomocí modelů vytvářet nové obrazové výstupy.
Seznámíme se s autoenkodéry, neuronovými sítěmi, které se učí zjednodušenou reprezentaci vstupních dat. Ukážeme si, jak lze pomocí autoenkodérů komprimovat data, odstraňovat šum nebo připravit základ pro generativní modely.
Třetí blok rozšiřuje záběr o další typy úloh: hledání vzorů v datech bez učitele, predikce časových řad a zpracování přirozeného jazyka. V závěru se zaměříme na praxi – přípravu dat před trénováním a nasazení a monitorování modelu v produkci.
Seznámíme se s učením bez učitele, kde model hledá struktury a vzory v datech bez předem připravených odpovědí. Ukážeme si, k čemu se tento přístup hodí v praxi.
Rekurentní neuronové sítě pracují se sekvencemi a pamětí. Na modelu LSTM si vysvětlíme, jak lze zpracovávat časové řady a sekvenční data, například při detekci spamu.
Naučíme se, jak přistupovat k úlohám zpracování přirozeného jazyka. Ukážeme si příklady jako chatbot, automatický překlad nebo analýza sentimentu.
Naučíme se, jak správně připravit data před trénováním modelu. Projdeme si práci s chybějícími hodnotami, kategoriálními proměnnými, škálováním dat a tvorbou nových příznaků, které mohou výrazně ovlivnit výsledky modelu.
Získáme přehled o tom, co obnáší nasazení modelů strojového učení do reálného použití. Probereme také monitorování výkonu modelu a kontrolu jeho správného fungování.
Závěrečný blok míří za hranice klasického strojového učení – do světa AI agentů. Ukážeme si, jak v LangChain vznikají agenti, kteří plánují své kroky, používají nástroje a řeší praktické úlohy.
Podíváme se na princip AI agentů, kteří dokážou samostatně plánovat kroky, používat externí nástroje a reagovat na výsledky své činnosti. Na frameworku LangChain si ukážeme, jak propojit jazykový model s nástroji a vytvořit jednoduchého agenta pro řešení praktických úloh.
Po absolvování kurzu budete rozumět základním principům strojového učení a umělé inteligence a dokážete je aplikovat v praxi pomocí Pythonu.
Pochopíte základní principy machine learningu, klasifikace, rozhodovacích stromů a učení bez učitele.
Naučíte se pracovat s vícevrstvými neuronovými sítěmi, konvolučními sítěmi a modely pro složitější AI úlohy.
Vyzkoušíte si rozpoznávání obrazu, zpracování přirozeného jazyka, generativní modely a práci se sekvenčními daty.
Naučíte se připravit data, vyhodnocovat výsledky modelu, ladit jeho chování a přemýšlet nad praktickým nasazením.
V kurzu budete pracovat s nástroji z Python ekosystému, které se používají pro strojové učení, neuronové sítě, zpracování dat, práci s obrazem a experimentování s AI modely.
Hlavní jazyk kurzu a jeden z nejpoužívanějších nástrojů pro AI, automatizaci a strojové učení.
Praktické prostředí pro psaní kódu, experimentování, vizualizaci výsledků a poznámky k modelům.
Knihovna pro numerické výpočty a práci s poli, která tvoří základ mnoha ML nástrojů v Pythonu.
Nástroj pro načítání, čištění a přípravu tabulkových dat před trénováním modelů.
Knihovna pro klasifikaci, rozhodovací stromy, učení bez učitele a vyhodnocování modelů.
Ekosystém pro tvorbu a trénování neuronových sítí, včetně modelů pro obraz, text a hluboké učení.
Kurzem to nekončí. I po jeho dokončení ti zůstává spousta výhod, na které se můžeš spolehnout:
Oficiální certifikát Turing Institutu, kterým doložíš své nově nabyté dovednosti.
Záznamy ze všech lekcí i studijní materiály zůstávají navždy tvoje – vracej se k nim, kdykoliv potřebuješ.
Discord plný lidí jako ty, newsletter s IT novinkami a exkluzivní akce jen pro členy.
Na tento kurz teď nemáme vypsaný žádný termín. Napište nám nebo zavolejte — dáme vám vědět, jakmile vypíšeme nový termín, a rádi se domluvíme i na termínu, který vám bude vyhovovat.
Kurz jsme přihlásili do programu Úřadu práce. Až ho ÚP schválí, může za tebe stát uhradit až 76,73 % ceny kurzu. Zapiš se na waitlist a dáme ti vědět mezi prvními.
Jak dotace fungujeNe. Kurz je navržený tak, abyste se s AI koncepty seznámili od základů. Stačí základní znalost programování – ideálně v Pythonu, ale není to podmínka.
Stačí základní znalost programování v libovolném jazyce. Praktická část probíhá v Pythonu, který je standardem pro práci s AI. Pokud Python zatím neovládáte, zvládnete se ho doučit souběžně – probíraná témata nejsou programátorsky náročná.
Ne. Praktická cvičení probíhají v Jupyter Notebooku a pro většinu úloh stačí běžný notebook. Pro náročnější modely využijeme cloudové prostředí, ke kterému získáte přístup.
Záleží na zvolené formě. U týdenní formy zabere výuka 2× 2 hodiny týdně; doporučujeme navíc cca 2–4 hodiny na úkoly a samostudium. U víkendové formy jde o 3 víkendy po sobě (sobota + neděle, cca 9:30–18:30) a mezi víkendy doporučujeme 4–6 hodin na domácí procvičení. Tempo si v rámci termínu určujete sami – k dispozici jsou i videozáznamy.
Kurz je orientován tak, že znalost pokročilé matematiky jako je lineární algebra nebo diferenciální počet není nutný. Lektoři však ovládají i tato témata v případě dotazů je rádi zodpoví.
Tyto dva kurzy stojí v katalogu vedle sebe, ale učí jinou dovednost.
Tento kurz je o strojovém učení a neuronových sítích. Stavíte a trénujete vlastní modely — od klasických algoritmů (Bayesův klasifikátor, rozhodovací stromy, učení bez učitele) přes vícevrstvé sítě až po konvoluční sítě na obraze, generativní sítě (GAN), autoenkodéry, predikci časových řad (LSTM) a zpracování jazyka. Naučíte se připravit data, vyhodnotit, jak si model vede, ladit ho a získáte přehled o nasazení a monitorování. Pracujete v Pythonu s Jupyter Notebookem, NumPy, Pandas, Scikit-learn a TensorFlow / Keras.
Programátor AI Agentů bere hotové jazykové modely (LLM) jako mozek aplikace a učí je jednat: naplánovat kroky, sáhnout po nástrojích, dohledat informace ve firemních datech (RAG), pamatovat si kontext a spolupracovat s dalšími agenty. Jde o LangChain, LangGraph, MCP, vektorové databáze a potom provoz v produkci — Kubernetes, NVIDIA stack a příprava na certifikaci NCP-AAI.
Kurzy se potkávají, ale jen na okraji. V kurzu agentů si popularizačně projdete cestu od neuronu k LLM a postavíte jednoduchou síť, aby bylo jasné, na čem jazykové modely stojí — to ale nenahradí tento kurz. Naopak tady na závěr zařazujeme jednu lekci o agentech v LangChainu. Je to ochutnávka, kam se dá jít dál, ne osnova kurzu Programátor AI Agentů.
Jednoduché vodítko: chcete pochopit, jak se model učí z dat, sami ho natrénovat a umět říct, jestli je dobrý — zůstaňte tady. Chcete stavět aplikace, které už LLM používají, napojit je na nástroje a data a provozovat je — jděte do Programátora AI Agentů. Na sebe navazují, jeden není podmínkou druhého.
Podrobnější srovnání všech AI kurzů podle cíle najdete v článku Jaký AI kurz si vybrat?.