Mākslīgā intelekta mašīnmācīšanās modeļi
Professors
Valdis Saulespurens
Par pasniedzēju
Valdis Saulespurēns strāda ar dažādu mākslīgā intelekta risinājumu ieviešanu vairāk kā 20 gadus. Papildus programmēšanas kursu pasniegšanai RTU un RBS Valdis izmanto mašīnmācīšanos lielo datu savakšanā, apstrādē un analīzē Latvijas Nacionālājā Bibliotekā.
Kursa apraksts
Šis kurss sniedz pamatus mašīnmācīšanās jomā, sniedzot Tev prasmes, lai izveidotu un ieviestu efektīvus modeļus. Izpētot pamatjēdzienus, algoritmus un praktiskos lietojumus, Tu iegūsi praktisku pieredzi datu pirmapstrādē, modeļu apmācībā un novērtēšanā. Šis kurss ļaus Tev izmantot mašīnmācīšanās metodes, lai risinātu reālas problēmas dažādās nozarēs un veicinātu inovācijas. Pēc kursa pabeigšanas Tu būs gatavs droši risināt sarežģītas datu problēmas un veicināt uz datiem balstītu lēmumu pieņemšanu savās organizācijās.
Kursa mērķi
Nodrošināt izpratni par mašīnmācīšanās pamatiem un galvenajiem modeļiem.
Attīstīt prasmes datu apstrādē un sagatavošanā ML modeļu izveidei.
Apmācīt dalībniekus izvēlēties un pielietot atbilstošus ML algoritmus konkrētām problēmām.
Iemācīt novērtēt un uzlabot ML modeļu veiktspēju, izmantojot validācijas un testēšanas tehnikas.
Komersantu ieguvums pēc kursa pabeigšanas:
Identificēt dažādas mašīnmācīšanās metodes
Novērtēt metožu piemērotību problēmām, kas viņus interesē
Izmantot mākslīgā intelekta piedāvātās iespējas inovācijas veicināšanai
Pieņemt uz datiem balstītus lēmumus
Kurss notiks:
Tiešsaistē un Klātienē
Priekšzināšanas:
- Pamatzināšanas programmēšanā (vēlams Python).
- Pamatzināšanas statistikā un datu analīzē.
- Pamatzināšanas lineārajā algebrā un matemātikā.
- Iepriekšēja pieredze datu zinātnē vai mašīnmācīšanās jomā ir vēlama, bet ne obligāta.
Mācību metodes:
- Teorētiskās lekcijas ar praktiskiem piemēriem.
- Praktiskie uzdevumi un vingrinājumi, izmantojot Python un populāras ML bibliotēkas (piemēram, scikit-learn, TensorFlow, PyTorch).
- Grupas diskusijas un projektu darbs.
- Gadījumu izpēte un reālo problēmu risināšana.
- Pasniedzēja konsultācijas un atsauksmes par dalībnieku darbu.
Tēma 1
Ievads mašīnmācīšanās pamatos
Kas ir mašīnmācīšanās? Pārskats un pielietojumi.
Mašīnmācīšanās tipi: uzraudzītā, neuzraudzītā un pastiprināšanas mācīšanās.
Galvenie ML koncepti un terminoloģija.
ML procesu pārskats: Datu sagatavošana, modeļu apmācība, validācija un pielietošana.
Tēma 2
Datu apstrāde un sagatavošana
Datu attīrīšana un priekšapstrāde.
Datu transformācijas un iezīmju inženierija.
Datu sadalīšana apmācības un testēšanas kopās.
Praktiskā nodarbība: Datu sagatavošana ML modelim Python vidē.
Tēma 3
3. Lineārie modeļi un regresijas analīze
Lineārā regresija un daudzfaktoru regresija.
Regulāriemība: Ridge un Lasso regresija.
Klasifikācijas uzdevumi ar lineāro modeļu palīdzību (Logistiskā regresija).
Praktiskā nodarbība: Lineārās un logistiskās regresijas modeļu apmācība un validācija.
Tēma 4
Klasifikācijas algoritmi
K-līdzāko kaimiņu (KNN) algoritms.
Atbalsta vektoru mašīnas (SVM).
Lēmumu koki un ansambļa metodes (Random Forest, XGBoost).
Praktiskā nodarbība: Klasifikācijas modeļu izveide un veiktspējas novērtēšana.
Tēma 5
Neironu tīkli un dziļā mācīšanās
Mākslīgie neironu tīkli: Uzbūve un darbības princips.
Dziļās mācīšanās pamati un neironu tīklu apmācība.
Keras un TensorFlow pārskats.
Praktiskā nodarbība: Vienkārša neironu tīkla izveide un apmācība.
Tēma 6
Neuzraudzītās mācīšanās metodes
Klasterēšana: K-means un hierarhiskā klasterēšana.
Galvenās komponentes analīze (PCA) un dimensiju samazināšana.
Anomāliju detektēšana.
Praktiskā nodarbība: Klasterēšanas un PCA pielietojums reālos datos.
Tēma 7
Modeļu validācija un hiperparametru optimizācija
K-fold šķērsoverēšanas metode un tā pielietojums.
Hiperparametru optimizācija ar GridSearchCV un RandomizedSearchCV.
Modeļu salīdzināšana un izvēle.
Praktiskā nodarbība: Modeļu validācija un optimizācija.
Tēma 8
Projekta izstrāde un noslēguma diskusija
Projekta uzdevuma formulēšana un datu izvēle.
ML modeļa izveide, apmācība un testēšana.
Projekta prezentācija un apspriešana.
Kursa noslēguma diskusija un atsauksmes.
Professors
Valdis Saulespurens
Par pasniedzēju
Valdis Saulespurēns strāda ar dažādu mākslīgā intelekta risinājumu ieviešanu vairāk kā 20 gadus. Papildus programmēšanas kursu pasniegšanai RTU un RBS Valdis izmanto mašīnmācīšanos lielo datu savakšanā, apstrādē un analīzē Latvijas Nacionālājā Bibliotekā.
Kursa apraksts
Šis kurss sniedz pamatus mašīnmācīšanās jomā, sniedzot Tev prasmes, lai izveidotu un ieviestu efektīvus modeļus. Izpētot pamatjēdzienus, algoritmus un praktiskos lietojumus, Tu iegūsi praktisku pieredzi datu pirmapstrādē, modeļu apmācībā un novērtēšanā. Šis kurss ļaus Tev izmantot mašīnmācīšanās metodes, lai risinātu reālas problēmas dažādās nozarēs un veicinātu inovācijas. Pēc kursa pabeigšanas Tu būs gatavs droši risināt sarežģītas datu problēmas un veicināt uz datiem balstītu lēmumu pieņemšanu savās organizācijās.
Kursa mērķi
Nodrošināt izpratni par mašīnmācīšanās pamatiem un galvenajiem modeļiem.
Attīstīt prasmes datu apstrādē un sagatavošanā ML modeļu izveidei.
Apmācīt dalībniekus izvēlēties un pielietot atbilstošus ML algoritmus konkrētām problēmām.
Iemācīt novērtēt un uzlabot ML modeļu veiktspēju, izmantojot validācijas un testēšanas tehnikas.
Komersantu ieguvums pēc kursa pabeigšanas:
Identificēt dažādas mašīnmācīšanās metodes
Novērtēt metožu piemērotību problēmām, kas viņus interesē
Izmantot mākslīgā intelekta piedāvātās iespējas inovācijas veicināšanai
Pieņemt uz datiem balstītus lēmumus
Kurss notiks:
Tiešsaistē un Klātienē
Priekšzināšanas:
- Pamatzināšanas programmēšanā (vēlams Python).
- Pamatzināšanas statistikā un datu analīzē.
- Pamatzināšanas lineārajā algebrā un matemātikā.
- Iepriekšēja pieredze datu zinātnē vai mašīnmācīšanās jomā ir vēlama, bet ne obligāta.
Mācību metodes:
- Teorētiskās lekcijas ar praktiskiem piemēriem.
- Praktiskie uzdevumi un vingrinājumi, izmantojot Python un populāras ML bibliotēkas (piemēram, scikit-learn, TensorFlow, PyTorch).
- Grupas diskusijas un projektu darbs.
- Gadījumu izpēte un reālo problēmu risināšana.
- Pasniedzēja konsultācijas un atsauksmes par dalībnieku darbu.
Tēma 1
Ievads mašīnmācīšanās pamatos
Kas ir mašīnmācīšanās? Pārskats un pielietojumi.
Mašīnmācīšanās tipi: uzraudzītā, neuzraudzītā un pastiprināšanas mācīšanās.
Galvenie ML koncepti un terminoloģija.
ML procesu pārskats: Datu sagatavošana, modeļu apmācība, validācija un pielietošana.
Tēma 2
Datu apstrāde un sagatavošana
Datu attīrīšana un priekšapstrāde.
Datu transformācijas un iezīmju inženierija.
Datu sadalīšana apmācības un testēšanas kopās.
Praktiskā nodarbība: Datu sagatavošana ML modelim Python vidē.
Tēma 3
3. Lineārie modeļi un regresijas analīze
Lineārā regresija un daudzfaktoru regresija.
Regulāriemība: Ridge un Lasso regresija.
Klasifikācijas uzdevumi ar lineāro modeļu palīdzību (Logistiskā regresija).
Praktiskā nodarbība: Lineārās un logistiskās regresijas modeļu apmācība un validācija.
Tēma 4
Klasifikācijas algoritmi
K-līdzāko kaimiņu (KNN) algoritms.
Atbalsta vektoru mašīnas (SVM).
Lēmumu koki un ansambļa metodes (Random Forest, XGBoost).
Praktiskā nodarbība: Klasifikācijas modeļu izveide un veiktspējas novērtēšana.
Tēma 5
Neironu tīkli un dziļā mācīšanās
Mākslīgie neironu tīkli: Uzbūve un darbības princips.
Dziļās mācīšanās pamati un neironu tīklu apmācība.
Keras un TensorFlow pārskats.
Praktiskā nodarbība: Vienkārša neironu tīkla izveide un apmācība.
Tēma 6
Neuzraudzītās mācīšanās metodes
Klasterēšana: K-means un hierarhiskā klasterēšana.
Galvenās komponentes analīze (PCA) un dimensiju samazināšana.
Anomāliju detektēšana.
Praktiskā nodarbība: Klasterēšanas un PCA pielietojums reālos datos.
Tēma 7
Modeļu validācija un hiperparametru optimizācija
K-fold šķērsoverēšanas metode un tā pielietojums.
Hiperparametru optimizācija ar GridSearchCV un RandomizedSearchCV.
Modeļu salīdzināšana un izvēle.
Praktiskā nodarbība: Modeļu validācija un optimizācija.
Tēma 8
Projekta izstrāde un noslēguma diskusija
Projekta uzdevuma formulēšana un datu izvēle.
ML modeļa izveide, apmācība un testēšana.
Projekta prezentācija un apspriešana.
Kursa noslēguma diskusija un atsauksmes.