2. Praktiskā mašīnmācīšanās un prognozēšanas modeļi
Programmu cikls: Mākslīgais intelekts un datu analītika
Mācības tiek īstenotas Eiropas Savienības Atveseļošanas fonda projekta Nr. 2.3.1.4.i.0/1/23/I/CFLA/001 "Individuālo mācību kontu pieejas attīstība" ietvaros.
Kursa mērķis
Attīstīt prasmes izmantot gatavus mašīnmācīšanās algoritmus un metodes praktisku datu problēmu risināšanai, sagatavot datus modeļu treniņam un interpretēt rezultātus.
Mērķauditorija
Personas vecumā no 18 gadiem ar pabeigtu vismaz vidējo izglītību, no dažādām grupām – nodarbinātie, bezdarbnieki, studējošie u.tml., kas vēlas iegūt IKT jomas prasmes, lai pārkvalificētos un/vai uzsāktu darbu datu apstrādes un analīzes jomā.
Kursa mērķis
Attīstīt prasmes izmantot gatavus mašīnmācīšanās algoritmus un metodes praktisku datu problēmu risināšanai, sagatavot datus modeļu treniņam un interpretēt rezultātus.
Mērķauditorija
Personas vecumā no 18 gadiem ar pabeigtu vismaz vidējo izglītību, no dažādām grupām – nodarbinātie, bezdarbnieki, studējošie u.tml., kas vēlas iegūt IKT jomas prasmes, lai pārkvalificētos un/vai uzsāktu darbu datu apstrādes un analīzes jomā.
Tehnoloģijas
Mācīšanās rezultāti
Pēc veiksmīgas izglītības programmas apgūšanas dalībnieks spēs:
Sagatavot datus mašīnmācīšanās uzdevumiem (tīrīšana, normalizācija, iezīmju veidošana).
Izmantot gatavus algoritmus klasifikācijai, regresijai un klasterizācijai ar scikit-learn.
Interpretēt modeļu rezultātus un vizualizēt tos.
Novērtēt modeļu precizitāti un ierobežojumus.
Sagatavot vienkāršu prognozēšanas risinājumu ar Python.
Lietojumprogrammu dizains, tehnoloģiju tendences uzraudzība, informācijas un zināšanu pārvaldība, risku pārvaldība, IT kvalitātes pārvaldība.
DIGCOMP 2.2.
Vajadzību un tehnoloģisko risinājumu identificēšana (6. līmenis)
Programmēšana (6. līmenis)
Datu, informācijas un digitālā satura pārvaldība (6. līmenis)
E-kompetences un caurviju kompetences
E-kompetences un caurviju kompetences
Add paragraph text. Click “Edit Text” to update the font, size and more. To change and reuse text themes, go to Site Styles.
Add paragraph text. Click “Edit Text” to update the font, size and more. To change and reuse text themes, go to Site Styles.
Add paragraph text. Click “Edit Text” to update the font, size and more. To change and reuse text themes, go to Site Styles.
Priekšzināšanas
Sekmīgi apgūta programma “Datu analīzes pamati un programmēšana ar Python” vai līdzvērtīgas zināšanas (Python pamati, datu apstrāde, vizualizācija).
Vismaz vidējā izglītība, angļu valodas pamatzināšanas (rīku saskarnes un dokumentācijas izpratnei).
Priekšzināšanas
Sekmīgi apgūta programma “Datu analīzes pamati un programmēšana ar Python” vai līdzvērtīgas zināšanas (Python pamati, datu apstrāde, vizualizācija).
Vismaz vidējā izglītība, angļu valodas pamatzināšanas (rīku saskarnes un dokumentācijas izpratnei).
Add paragraph text. Click “Edit Text” to update the font, size and more. To change and reuse text themes, go to Site Styles.
Add paragraph text. Click “Edit Text” to update the font, size and more. To change and reuse text themes, go to Site Styles.
Add paragraph text. Click “Edit Text” to update the font, size and more. To change and reuse text themes, go to Site Styles.
E-kompetences un caurviju kompetences
E-kompetences un caurviju kompetences
Lietojumprogrammu dizains, tehnoloģiju tendences uzraudzība, informācijas un zināšanu pārvaldība, risku pārvaldība, IT kvalitātes pārvaldība.
DIGCOMP 2.2.
Vajadzību un tehnoloģisko risinājumu identificēšana (6. līmenis)
Programmēšana (6. līmenis)
Datu, informācijas un digitālā satura pārvaldība (6. līmenis)
Kursa tēmas
1. Ievads mašīnmācīšanās pielietojumos
1.1. Supervised vs. Unsupervised learning
1.2. Lietojuma piemēri biznesā
2. Datu sagatavošana ML uzdevumiem
2.1. Trūkstošo vērtību apstrāde
2.2. Normalizācija
2.3. Īpašību izstrāde (Feature engineering)
3. Supervised learning: klasifikācija
3.1. Lēmumu koki, lēmumu koku ansamblism, K tuvāko kaimiņu metode (Decision Trees, Random Forest, K-Nearest Neighbors)
3.2. Modeļu trenēšana un validācija
3.3. Precizitātes rādītāji (confusion matrix, recall, F1)
4. Vadīta mācīšanās (Supervised learning): regresija
4.1. Lineārā regresija
4.2. Modeļu pielāgošana
4.3. Prognožu vizualizācija
5. Nevadīta mācīšanās (Unsupervised learning): klasterizācija
5.1. K-Means pamati
5.2. Klasteru vizualizācija
6. Modeļu interpretācija un ierobežojumi
6.1.Pārmācīšanās un nepietiekama mācīšanās (Overfitting / underfitting)
6.2.Mainīgo nozīmīgums (Feature importance)
6.3. Modeļu salīdzināšana
Materiāli kursa dalībniekiem
Mācību materiāli latviešu valodā.
Mācību norise un nepieciešamais aprīkojums
Mācības notiek pašvadītas mācīšanās pieejā - dalībnieks mācās patstāvīgi, sev piemērotā laikā, izmantojot pieejamos mācību materiālus un mentora atbalstu. Sekmīgai dalībai mācībās dalībniekam ir nepieciešams dators ar Windows operētājsistēmu, webkameru un mikrofonu, kā arī stabils interneta pieslēgums. Mācību programmas apgūšanai nepieciešamos materiālus un programmatūru nodrošina izglītības iestāde.
Pašvadīta mācīšanās
Praktiska pieredze
Projekta izstrāde
Atsauksmes
