Programa
1
Įvadas
Trumpa kurso apžvalga, reikalavimai. Mašininio mokymosi principai – kaip tai veikia, kÄ… jis gali ir ko negali. PagrindinÄ—s matematinÄ—s statistikos sÄ…vokos.
2
Mokymasis be mokytojo
Klasterizacija - automatinÄ— panašumo „šablonų“ paieška duomenyse. Duomenų erdvÄ—s sumažinimas, pagrindinių duomenų požymių išskyrimas.
​
Duomenų erdvÄ—s sumažinimas - pagrindinių duomenų požymių išskyrimas.
3
Mokymasis su mokytoju
Įvairių tipų duomenų prognozavimas - regresija ir klasifikacija. Tekstinių duomenų klasifikacija, metrikos.
​
Tekstinių duomenų klasifikavimas. Metrikos.
4
Gilus mokymasis
Pažintis su neuroniniais tinklais - jų tipai, veikimo principai. Vaizdinių duomenų klasifikacija. Apmokytų modelių pakartotinis naudojimas.
​
Apmokytų modelių pernaudojimas.
5
Baigiamasis projektas
Kurso baigimo projektas - pilnai (nuo A iki Z) savarankiškai įvykdyta pasirinkta praktinÄ— užduotis. Priklausomai nuo užduoties, galima pasirinkti kelis skirtingus algoritmus, juos apmokyti, išsirinkti geriausiÄ… bei apgalvoti jo tobulinimo galimybes.