Praktiskā mašīnmācīšanās un prognozēšanas modeļi
- Aija Štrausa, 20554991, aija.strausa@fita.lv
Pamatzināšanas matemātikā (algebra, statistikas pamati), angļu valodas pamatzināšanas (rīku saskarnes un dokumentācijas izpratnei). Digitālās prasmes vismaz DigComp 4.līmenī.
Apgūta programmu cikla 1. programma - "Datu analīzes pamati un programmēšana ar Python".
Apraksts
Programmas mērķis ir attīstīt prasmes izmantot gatavus mašīnmācīšanās algoritmus un metodes praktisku datu problēmu risināšanai, sagatavot datus modeļu treniņam un interpretēt rezultātus.
Galvenās tēmas
1. Ievads mašīnmācīšanās pielietojumos
2. Datu sagatavošana ML uzdevumiem
3. Uzraudzīta mācīšanās: klasifikācija
4. Vadīta mācīšanās (Supervised learning): regresija
5. Nevadīta mācīšanās (Unsupervised learning): klasterizācija
6. Modeļu interpretācija un ierobežojumi
Personai nepieciešamais materiāltehniskais nodrošinājums
- Dators ar Windows operētājsistēmu
- Interneta pieslēgums
- Tīmekļa kamera
- Mikrofons (datorā iebūvēts skaļrunis vai atsevišķa ierīce)
Prasības iepriekšējai izglītībai
Saņem jaunumus e-pastā
Lai pieteiktos STARS e-pasta jaunumiem, lūdzu, aizpildiet zemāk redzamo formu.
Jūsu norādītajā e-pastā saņemsiet vēstuli, kurā būs jāaktivizē norādītā saite.