Diagrama de temas

  • General

  • Змістовий модуль 1. Введення в машинне навчання


    Тема 1: Введення в машинне навчання

    ·     Історія та значення машинного навчання

    ·     Огляд основних понять (моделі, алгоритми, навчання, передбачення)

    ·     Типи машинного навчання: контрольоване, неконтрольване, з підкріпленням

    ·     Типи задач машинного навчання (класифікація, регресія, кластеризація)

    ·     Застосування машинного навчання

    Тема 2: Підготовка даних

    ·     Збір, очищення та перетворення даних

    ·     Розбиття даних на навчальні, валідаційні та тестові вибірки

    ·     Візуалізація та аналіз даних

    ·     Основи роботи з даними: NumPy, pandas

    ·     Візуалізація даних: Matplotlib, seaborn


  • Змістовий модуль 2. Основні типи машинного навчання


    Тема 3: Контрольоване машинне навчання

    ·     Регресія: лінійна, багатовимірна, поліноміальна

    ·     Класифікація: логістична регресія, k-найближчих сусідів (k-NN), опорні вектори (SVM),

    ·     Наївний баєсів класифікатор

    ·     Дерева рішень і ансамблі (бустінг, бегінг, рандом форе

    ·     Оцінка моделей: точність, відгук, F1-оцінка, ROC-AUC

     

    Тема 4: Неконтрольоване машинне навчання

    ·  Кластеризація: k-середніх, ієрархічна кластеризація, DBSCAN

    ·  Зменшення розмірності: головні компоненти (PCA), t-SNE

    ·  Асоціативні правила: Apriori, FP-grow


  • Змістовий модуль 3. Навчання нейронних мереж


    Тема 5: Нейронні мережі

    ·  Основи нейронних мереж: перцептрони, багатошарові перцептрони

    ·  Функції активації, функції втрат, оптимізація

    Тема 6: Глибинне навчання

    ·     Глибинні нейронні мережі: CNN, RNN, LSTM

    ·     Бібліотеки для глибинного навчання: TensorFlow, Keras

    Тема 7: Моделювання послідовностей і рекомендаційні системи

    ·     Обробка природної мови (NLP): Bag-of-Words, Word2Vec, BERT

    ·     Рекомендаційні системи: колаборативна фільтрація, змістовні методи

    Тема 8: Навчання з підкріпленням

    ·     Основи підсилювального навчання

    ·     Процес прийняття рішень Маркова (MDP)

    ·     Алгоритми Q-learning, Deep Q-Network (DQN)



  • Змістовий модуль 4. Практичне використання машинного навчання

    Тема 9: Застосування в реальних задачах

    ·     Розпізнавання зображень

    ·     Обробка природної мови (NLP)

    ·     Рекомендаційні системи

    ·     Аналіз часових рядів

    ·     Підсилювальне навчання

    Тема 10: Етика, безпека та майбутнє машинного навчання

    ·     Етичні принципи в машинному навчанні

    ·     Безпека моделей: зловмисні атаки та захист

    ·     Майбутнє машинного навчання і штучного інтелекту


  • Підсумковий контроль