Mašīnmācīšanās un dziļās mašīnmācīšanās pamati

Mērķis:
Palīdzēt apgūt mašīnmācīšanos un dziļo mašīnmācīšanos tiem, kas vēlas kļūt par datu speciālistiem.

Sasniedzamie mācīšanās rezultāti:
Spēt trenēt mašīnmācīšanās modeļus (supervised/unsupervised learning), pielāgojot algoritmu izvēli un parametrus konkrētām biznesa vai pētniecības vajadzībām sarežģītos datos un kontekstos.
Spēt prognozēt klientu uzvedību un izstrādāt datos balstītas rekomendācijas, pielāgojot analītiskos modeļus dažādām situācijām, mērķiem un lietotāju grupām.
Prast pielietot mašīnmācīšanās rīkus datu analītikā, tirgus tendenču prognozēšanā un klientu vadībā, pielāgojot pieeju uzņēmuma stratēģijai, datu raksturam un mainīgiem apstākļiem, lai paaugstinātu biznesa efektivitāti un konkurētspēju.
Spēt izvērtēt mašīnmācīšanās un dziļās mašīnmācīšanās algoritmu precizitāti, piemērotību un ierobežojumus, pielāgojot izvērtēšanas kritērijus konkrētā uzdevuma un organizācijas vajadzībām.
Pārzināt mašīnmācīšanās un dziļās mašīnmācīšanās principus un spēt pielietot šīs zināšanas, lai izvēlētos piemērotāko risinājumu sarežģītos datu un biznesa kontekstos.
Pārzināt mašīnmācīšanās modeļu dzīves ciklu, automatizāciju un monitoringu uzņēmuma vidē un spēt pielāgot šos procesus dažādu komandu un projektu vajadzībām.

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

Python, R un SQL valodu priekšzināšanas 6. DigiComp līmenī. Ieteicamas angļu valodas pamatzināšanas.

1. Mašīnmācīšanās un dziļās mašīnmācīšanās pamati.

1.1. Galvenie mašīnmācīšanās algoritmi.
1.2. Neironu tīkli.
1.3. Mašīnmācīšanās veidi (uzraudzītā, neuzraudzītā un stimulētā mašīnmācīšanās).

2. Datu priekšapstrādes pamati ar NumPy un scikit-learn. Datu tīrīšana, transformācijas un datu paplašināšana (augmentation).
2.1. NumPy pielietošanas datu priekšapstrādei.
2.2. Darbs ar datu masīviem un tensoriem NumPy.
2.3. Datu priekšapstrāde ar scikit-learn.

3. Modeļu trenēšana un validācija ar scikit-learn.
3.1. Uzraudzītā mašīnmācīšanās (regresija un klasificēšana) ar scikit-learn. 
3.2. Neuzraudzītā mašīnmācīšanās (klasterēšana) ar scikit-learn.

4. Dziļās mācīšanās modeļu (neironu tīklu) trenēšana un validācija ar Keras.
4.1. Uzraudzītā mašīnmācīšanās (regresija un klasificēšanā) ar Keras.
4.2. Neuzraudzītā mašīnmācīšanās (klasterēšana, autoenkoderi/iezīmju mācīšanās, ģeneratīvie modeļi, anomāliju noteikšana, pašuzraudzītā mācīšanās) ar Keras.

5. Mācīšanās algoritmi praktiskai prognozēšanai ar laika rindām. Klientu uzvedības prognozēšana un datos balstītu rekomendāciju sistēmu izstrāde.
5.1. Mācīšanās algoritmi (piem., XGBoost, Random Forest, LightGBM) praktiskai prognozēšanai ar laika rindām.
5.2. Rekurentās arhitektūras (RNN, LSTM, GRU) praktiskai prognozēšanai ar laika rindām.

6. Datorredzes pamati: attēlu apstrāde, objektu atpazīšana un datu ieguve no attēliem.
6.1. Konvolucionālie neironu tīkli (CNN) attēlu apstrādei.
6.2. Objektu atpazīšana ar CNN.
6.3. Datu ieguve no attēliem ar CNN (optisko zīmju atpazīšana – OCR).

7. Dabiskās valodas apstrāde (NLP): teksta klasifikācija, emociju analīze, dokumentu kopsavilkumi.
7.1. Teksta klasifikācija.
7.2. Emociju analīze (Sentiment analysis).
7.3. Dokumentu kopsavilkumu veidošana.

8. Ģeneratīvie modeļi (GAN, VAE) – praktiskie pielietojumi vizuālo un teksta datu ģenerēšanā.
8.1. Ģeneratīvie modeļi vizuālajiem datiem.
8.2. Ģeneratīvie modeļi teksta datiem.

9. AutoML un pārneses mācīšanās (Transfer Learning) rīku izmantošana tekstiem, attēliem un tabulu datiem.
9.1. AutoML ar AutoKeras.
9.2. Pārneses mācīšanās ar Keras 3.

10. Transformatoru modeļi (BERT, GPT, Vision Transformers) – gatavo rīku un API izmantošana datu uzdevumos.
10.1. Hugging Face transformatoru modeļi darbam ar tekstu un attēliem. 
10.2. Hugging Face transformatoru modeļi darbam ar tabulām.
10.3. LLM apmācība vai pielāgošana (fine-tuning) ar Hugging Face.

11. Stimulētās mācīšanās pamati – praktiskie pielietojumi.
11.1. Stimulētās mācīšanās modeļi (piem., PPO, A2C) ar Stable Baselines 3.
11.2. Stimulētās mācīšanās vides izveide ar Gymnasium.

12. Modeļu optimizācija un regularizācijas metodes (dropout, batch normalization, early stopping) praktiskajā pielietojumā.
12.1. Modeļu optimizācija.
12.2. Regularizācijas metodes.

13. Algoritmu precizitātes un piemērotības izvērtēšana un rezultātu interpretācija (ROC, precizitāte, jutīgums, F1 rādītājs).
13.1. Algoritmu precizitātes un piemērotības izvērtēšana.
13.2. Rezultātu interpretācija un kopējie rādītāji.

14. Lielo datu apstrāde un sadalītā apmācība ar PySpark, Databricks, Dask un citām rīku platformām.
14.1. Lielo datu apstrāde.
14.2. Sadalītā apmācība (Distributed Training).

15. Modeļu izvietošana un integrācija (MLOps pamati: Docker, MLFlow).
15.1. Modeļu izvietošana (Model Deployment).
15.2. Modeļu integrācija un MLOps pamati.

16. Modeļu uzraudzība, versiju kontrole un atkārtotas apmācības procesi (monitoring, retraining).
16.1. Modeļu uzraudzība un veiktspējas monitorings.
16.2. Modeļu versiju kontrole un atkārtota apmācība (retraining).

17. Ētiskie un drošības aspekti: datu kvalitāte, aizspriedumi datos, privātuma nodrošināšana un MI caurspīdīgums.
17.1. Datu kvalitāte un aizspriedumi (bias) datos.
17.2. Privātums un MI caurspīdīgums (Transparency & Security).

Dators ar Windows 10 vai macOS Monterey (12), vai Linux Ubuntu 22.04 LTS, vai jaunākas versijas un interneta pieslēgums. Skandas vai austiņas, mikrofons.
Ieteicams otrs monitors.