Схема розділу
-
Цей курс відкриває двері у світ машинного навчання — технології, що лежить в основі сучасного штучного інтелекту. Студенти ознайомляться з базовими поняттями, типами алгоритмів, методами навчання моделей та принципами роботи з даними. Курс поєднує теорію з практикою, готуючи до подальшого вивчення глибокого навчання, класифікації, регресії та кластеризації. Ідеальний старт для тих, хто хоче навчити машини думати.
-
-
Поняття лінійної регресії. Моделі з багатьма ознаками. Основні алгоритми машинного навчання для задач регресії. Лінійна регресія: втрата. Лінійна регресія: гіперпараметри.
-
Поняття класифікації. Постановка задачі. Метод опорних векторів. Метод дерев рішень. Порогові значення. Матриця плутанини. Основні покажчикі якості моделі класифікації.
-
Поняття та призначення. Кластерізація K-mean. Алгоритм ієрархічної кластеризації. Алгоритм DBSCAN (Density-Based Spatial Clustering of Applications with Noise).
-
Структура нейромережі. Багатошарові нейронні мережі. Алгоритм зворотного поширення помилки. Комп'ютерне бачення. Рекурентні нейронні мережі
-
Принцип роботи мовних моделей. n-грами. Контекст. Рекуррентні нейронні мережі. LLM. Сучасні підходи у реалізації LLM