![](https://static.wixstatic.com/media/9a71c7_ca7cf44bf3b74549b00882ba5890d502~mv2.jpg/v1/fill/w_288,h_192,al_c,q_80,usm_0.66_1.00_0.01,blur_2,enc_auto/9a71c7_ca7cf44bf3b74549b00882ba5890d502~mv2.jpg)
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.