IMIC mokymai: Duomenų analitika ir taikomasis mašininis mokymasis

Programa suteiks žinių ir praktinių gebėjimų sprendžiant inžinerinius, finansinius ir kitų sričių uždavinius bei problemas, taikant duomenų analitikos ir mašininio mokymosi metodus bei įrankius. Paskaitų metu lektoriai suteiks duomenų analizės žinių, padės vystyti gebėjimus naudojant įvairius mašininio mokymosi metodus skirtingo tipo (regresijos bei klasifikavimo) uždaviniams spręsti, supažindins su programinėmis priemonėmis, skirtomis tiems uždaviniams spręsti.

Lektoriai:

1. Doc. dr. Tomas Iešmantas
2. dr. Mindaugas Kavaliauskas
3. Doc. dr. Mantas Landauskas

Kaina 599 eur, data 2020 kovo 2-6 d.

Kursų trukmė – 40 ak. valandos.

Kalbos – Lietuvių,  Anglų

Programa:

Pirmadienis. Įvadas į duomenų analitika ir mašininį mokymąsi / Introduction to analytics and machine learing

1. 1. Duomenų analitika ir Python / Data analytics and Python (1);
   2. Darbo aplinkos įdiegimas ir nustatymas: Python 3, Jupyter Notebook / Installing and setting work environment: Python3, Jupyter Notebook (1);
   3. Darbo su Jupyter notebook niuansai / Peculiarities in working with Jupyter notebook (1);
   4. Apžvalginė duomenų analizė ir vaizdavimas su Python / Exploratory data analysis and data visualization with Python (2);
   5. Analitikos platforma Tableau / Tableau – a platform for analytics. (1);
   6. Dashboard kūrimas su Tableau / Making Dashboard with Tableau (2);

Antradienis. Python programavimo kalba

1. 1. Kintamieji ir jų tipai / Variables and types (2);
   2. Sąlyginiai sakiniai ir ciklai / Conditional statements and loops (2);
   3. Funkcijos ir objektinis programavimas / Functions and object-oriented programming (1);
   4. Python duomenų analitikos paketai / Python packages for data analytics (2);
   5. Praktinė užduotis / Practical task (1);

Trečiadienis. Mašininio mokymosi metodai 1

1. 1. Tiesinė regresija / Linear regression (1);
   2. Modelių reguliarizavimas: ridge, LASSO, elastic net / Model regularization: ridge, LASSO, elastic net (2);
   3. Modelio metaparametrų parinkimas/ Model metaparameter selection (1);
   4. Praktinė užduotis / Practical task (1);
   5. Klasifikavimo uždavinys ir paklaidos įvertinimas (1);
   6. Logistinė regresija / Logistic regression (1);
   7. Praktinė užduotis / Practical task (1).

 Ketvirtadienis. Mašininio mokymosi metodai 2

1. 1. Tiesiniai ir kvadratiniai diskriminantiniai metodai / Linear and quadratic discriminant analysis (1);
   2. Sprendimų medžiai ir atsitiktinis miškas / Decision trees and random forest (1,5);
   3. Atraminių vektorių metodai / Support vector methods (1,5);
   4. AdaBoost ir XGBoost metodai / AdaBoost and XGBoost methods (1);
   5. Projektas / Project (3).

Penktadienis. Pažangios temos

1. 1. 1. Dirbtiniai neuroniniai tinklai / Artificial neural networks (1);
      2. Sąsūkų neuroniniai tinklai / Convolutional neural networks (1);
      3. Objektų atpažinimas vaizduose / Object Recognition in Images (2);
      4. Praktinė užduotis / Practical task (1);
      5. Informacijos paieška teksto duomenyse / Information Retrieval from Text Data (2);
      6. Praktinė užduotis / Practical task (1);

Kontaktinis asmuo:

IMIC vadovas Darius Pupeikis.

Studentų g. 48-415, Kaunas
tel. +370 689 77371
e. p. imic@ktu.lt

REGISTRACIJA: – https://imic.ktu.edu/news/duomenu-analitika-ir-taikomasis-automatinis-mokymasis/