Machine learning: predicţie, clasificare şi grupare

InfoTitularTematicaBibliografieEvaluareObiective

Număr de credite: 6
Cod: AME0158
Predare: curs 2h
Limba de predare: română
Tip: curs principal, semestrul 3, Masteratul Analiza Datelor Complexe
Erasmus:

Cristian Gabriel Fălcuțescu
cadru asociat
Analist date
Institutul Român de Ştiinţă şi Tehnologie
E-mail: g.falcutescu@gmail.com

Curs

  1. Recapitulare python şi introducere în machine learning
  2. Preprocesarea bazelor de date pentru machine learning
  3. Algoritmi bazaţi pe regresii (lineară, polinomială)
  4. Algoritmi utilizaţi pentru clasificare
  5. Învăţare nesupervizată: algoritmi de grupare
  6. Parametrii pentru evaluarea modelelor de învățare asistată și supervizată
  7. Metode de re-eşantionare pentru îmbunătăţirea etapei de antrenare a algoritmilor

Laborator

  1. Preprocesarea bazelor de date pentru machine learning
  2. Algoritmi bazaţi pe regresii (lineară, polinomială)
  3. Algoritmi utilizaţi pentru clasificare
  4. Învăţare nesupervizată: algoritmi de clustering
  5. Algoritmi utilizaţi pentru clasificare
  6. Învăţare nesupervizată: algoritmi de clustering
  • Douchesney, E., Lofstedt, T. (2018) – Statistics and Machine Learning in Python release 0.2

CURS:

Metode de evaluare

  • 50% examen scris

Criterii de evaluare:

  • Însușirea corectă a noțiunilor și a metodelor de analiză a seriilor de timp; capacitatea utilizării cunoștințelor dobândite

 

LABORATOR:

Metode de evaluare:

  • 50% prezentări de seminar

Criterii de evaluare:

  •  Cunoaşterea noţiunilor fundamentale de script în Python aplicabile dezvoltării sistemelor inteligente bazate pe metode de Machine Learning
  • 3 teme pentru acasă de realizat în Python

Obiective generale

  • Cunoaşterea şi utilizarea adecvată a noţiunilor fundamentale specifice Machine Learning; înţelegerea modului de utilizare a librăriei scikit-learn
  • Utilizarea metodelor specifice Machine Learning în dezvoltarea sistemelor informatice inteligente

Obiective specifice

  • Stăpânirea familiilor de algoritmilor majori de învățare supervizată: de predictie, de clasificare și de grupare.
  • Înțelegerea diferențelor specifice dintre metodele de statistică și cele de învățare supervizată asistată
  • Identificarea pașilor specifici unei analize de tip învățare supervizată asistată
  • Stăpânirea logicii algoritmilor și stăpânirea scrierii codului pentru relizarea unei analize
  • Parametrizarea unei analize folosind JASP și Python.