Plan szkolenia
1. AI&ML
○ Uczenie maszynowe i sztuczna inteligencja
○ Typy i zastosowania
2. Statystyka
○ Wprowadzenie i przegląd zagadnień
○ Średnia, mediana, wariancja i dewiacja
○ Rozkład Gaussa
3. Prawdopodobieństwo
○ Wprowadzenie i przegląd zagadnień
○ Rozkład prawdopodobieństwa, dyskretny i ciągły
○ Centralne twierdzenie graniczne
○ Gęstość zmiennej losowej
4. Uczenie
○ Charakterystyka uczenia nadzorowanego, nienadzorowanego
i ze wzmocnieniem
○ Klasyfikacja, regresja, klasteryzacja
5. Algorytmy regresji
○ Regresja liniowa i logistyczna
○ Regresja wektorowa
○ Drzewa decyzyjne
○ Lasy losowe
6. Algorytmy klasyfikacji
○ Klasyfikacja Bayesa
○ Maszyna wektorów nośnych
○ Analiza dyskryminacyjna
○ Algorytm KNN
7. Algorytmy klasteryzacji
○ Klasteryzacja k-średnich, k-medoidów
○ Klasteryzacja hierarchiczna
○ Optymalizacja rojem cząstek
○ Mieszanina rozkładów Gaussa
8. Sieci neuronowe
○ Wprowadzenie w zagadnienia sieci neuronowych
○ Ukryty model
○ Markowa, HMM
○ Rekurencyjne sieci neuronowe, LSTM
