Gudrās tehnoloģijas un ģeneratīvais mākslīgais intelekts

Šī mācību programma sniedz strukturētu un praktisku ievadu mašīnmācīšanās jomā, attīstot dalībnieku spējas pilnvērtīgi strādāt ar datiem - no to sagatavošanas līdz modeļu izstrādei un novērtēšanai. Programmas ietvaros dalībnieki apgūst galvenos mašīnmācīšanās principus, algoritmu darbības loģiku un to piemērotību dažādiem datu analīzes uzdevumiem. Tiek trenētas prasmes sagatavot un normalizēt datus, izvērtēt to kvalitāti, kā arī izmantot vienkāršus modeļus, piemēram, regresiju un klasifikāciju, interpretējot iegūtos rezultātus un izprotot optimizācijas nozīmi modeļu uzlabošanā.

Programma palīdz attīstīt izpratni par modeļu izstrādes pilno ciklu - no datu sadales treniņa un testa kopās līdz rezultātu analīzei un piemērotāko risinājumu izvēlei. Dalībnieki apgūst arī būtiskas prasmes modeļu novērtēšanā, izmantojot metrikas un salīdzināšanas kritērijus, kā arī izstrādā vienkāršus tehniskos kopsavilkumus ar vizualizācijām. Noslēgumā tiek akcentēti reproducējamības un dokumentēšanas principi, kas nodrošina kvalitatīvu, caurspīdīgu un profesionālu pieeju mākslīgā intelekta risinājumu veidošanai.

• IKT,   0,00 €,   Personas līdzfinansējums ir PVN 21% no apmērā no izglītības programmas izmaksām.

• iepriekšējas zināšanas programmēšanā vai datu analītikā nav obligātas;
• vēlams pamata digitālo prasmju līmenis (vismaz DigComp 4. līmenis*), kas nodrošina spēju patstāvīgi izmantot digitālus rīkus, strādāt e-vidē un veikt informācijas meklēšanu un apstrādi.

* dalībnieks prot izmantot datoru un internetu informācijas meklēšanai, datu apstrādei un ikdienas darba uzdevumu veikšanai, spēj droši darboties e-vidē un izmantot digitālos rīkus dokumentu, aprēķinu vai vizualizāciju sagatavošanai.

1. Ievads mašīnmācīšanās jomā:

• Mašīnmācīšanās jēdziens un praktiskie piemēri
•  Pārraudzītās un nepārraudzītās mācīšanās pamati
• Galvenie algoritmu tipi (regresija, klasifikācija – pārskata līmenī)
• Statistiskās analīzes pamati datu izpratnei
• Optimizācijas jēdziens vienkāršotos piemēros

2. Datu sagatavošana un normalizācija:

• Datu sadalīšana treniņa un testa kopās 
• Datu tīrīšanas un formatēšanas pamati 
• Normalizācijas un standarta skalas pielietojums 
• Datu strukturēšanas un saskaņošanas pamati 
• Datu dublēšanās novēršana un kvalitātes pārbaude 
• Datu pārskatāmības un samazināšanas pamati

3. ML modeļu izstrāde:

• Mašīnmācīšanās modeļu izstrādes soļi: datu sagatavošana, treniņš, testēšana, rezultātu interpretācija.
• Regresijas un klasifikācijas modeļu pielietojums nelielās datu kopās
• Klasterizācijas pamatjēdziens un piemēri
• Datu apvienošana un papildināšana modeļa uzlabošanai\Pamata parametru nozīmes izpratne un pielāgošana
• Ievads dziļās mācīšanās jēdzienos (pārskata līmenī)

4. Modeļu novērtēšana:

• Modeļa precizitātes novērtēšanas pamati (accuracy, precision, recall)
• Modeļu salīdzināšanas principi vienkāršos gadījumos
• Rezultātu vizualizācija un interpretēšana lietotājam saprotamā veidā
• Modeļu interpretējamības jēdziens un nozīme praksē
• Kā tiek veikta kļūdu analīze (pārskata līmenī)

5. Modeļu pārvaldība un dokumentēšana:

• Modeļa izveides soļu aprakstīšana
• Pamatprincipi reproducējamības nodrošināšanai
• Tehniskā kopsavilkuma sagatavošana, izmantojot veidnes
• Vizualizāciju veidošana rezultātu skaidrošanai
• Dokumentācijas un datu atkārtojamības nozīme

Pieeja datoram ar interneta pieslēgumu, web kameru un mikrofonu.
Vēlama Microsoft Teams aplikācija datorā attālināto mācību nodrošināšanai.