Programa

1

Įvadas

Trumpa kurso apžvalga, reikalavimai. Mašininio mokymosi principai – kaip tai veikia, ką jis gali ir ko negali. Pagrindinės matematinės statistikos sąvokos.

2

Mokymasis be mokytojo

Klasterizacija - automatinė panašumo „šablonų“ paieška duomenyse. Duomenų erdvės sumažinimas, pagrindinių duomenų požymių išskyrimas.

Duomenų erdvės 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 praktinė užduotis. Priklausomai nuo užduoties, galima pasirinkti kelis skirtingus algoritmus, juos apmokyti, išsirinkti geriausią bei apgalvoti jo tobulinimo galimybes.

Susidomėjai?

Užpildyk registracijos formą ir tapk „Data Science Academy“ kurso dalimi.