AI Awareness for Telecom Certificate for Arkadiusz Zelasko

1. Wprowadzenie
- krótka historia uczenia maszynowego
- czym jest, a czym nie jest ML
- podstawowe pojęcia i (naprawdę) niezbędne narzędzia matematyczne
- typy zadań w ML
2. Praca z danymi
- Biblioteki do pracy z danymi
- Biblioteki numeryczne
- Transformacje danych na potrzeby ML
- Augmentacja zbiorów danych
- Pipeline ETL
3. Regresja
- omówienie zadania regresji
- sposoby oceny jakości modelu
- algorytmy regresji liniowej i nieliniowej
- regularyzacja
4. Klasyfikacja
- omówienie zadania klasyfikacji
- sposoby oceny jakości modelu
- algorytmy klasyfikacji parametryczne i nieparametryczne
- Train-test split i walidacja krzyżowa
5. Klasteryzacja
- uczenie nienadzorowane - wstęp
- omówienie zadania klasteryzacji
- sposoby oceny jakości modelu
- przegląd algorytmów klasteryzujących
6. Podstawy sieci neuronowych
- czym są, a czym nie są sieci neuronowe
- zasada działania modelu
- ważne pojęcia
- sieci głębokie
- sieci konwolucyjne i rekurencyjne - wprowadzenie
- dobór hiperparametrów
7. Wizualizacja danych
- omówienie problemu wizualizacji wielowymiarowych zbiorów danych
- algorytmy algebraiczne
- algorytmy probabilistyczne
8. On-line machine learning
- problemy z treningiem on-line
- dostępne narzędzia - przegląd