Număr de credite: 6

Cod: AMR0160

Predare: 3 de lucrări practice

Limba de predare: română

Tip: curs principal, semestrul 3, Masteratul Analiza Datelor Complexe

1. Introducere în machine learning:

- Conceptele centrale: învățarea automată, date de antrenare, model, învățare supervizată vs. nesupervizată, evaluarea și validarea.

- Statistica clasică și machine learning.

2. Python pentru machine learning (recapitulare):

- Principalele funcții și metode utilizate în Python pentru dezvoltarea de modele de machine learning.

- Exemple practice de cod pentru implementarea algoritmilor de bază.

3. Etapele unui proiect și problemele comune în definirea domeniului de aplicare:

- Identificarea etapelor cheie într-un proiect de machine learning.

- Probleme comune întâlnite în definirea și clasificarea domeniului de aplicare.

4. Crearea unui GitHub repository pentru colaborare:

- Colaborarea în echipă în dezvoltarea și îmbunătățirea modelelor.

- Colaborarea și partajarea codului Python în proiectele de machine learning în GitHub.

5. Explorarea, curățarea și proveniența datelor:

- Tehnici de explorare a datelor pentru înțelegerea caracteristicilor și distribuției acestora.

- Gestionarea datelor lipsă. Aspecte de confidențialitate și securitate a datelor în machine learning.

6. Vizualizarea datelor: Înțelegerea setului de date și importanța variabilelor:

- Rolul storytelling-ului în comunicarea rezultatelor analizei datelor.

- Importanța alegerii corecte a variabilelor în dezvoltarea modelelor.

7. Modelare statistică: Construirea unui model:

- Selectarea și pregătirea setului de date pentru modelare.

- Implementarea și antrenarea unui model.

8. Regresie:

- Algoritmi și tehnici de regresie utilizate în machine learning.

- Evaluarea și interpretarea modelelor de regresie.

9. Evaluarea și validarea unui model:

- Tehnici și metrici de evaluare a performanței modelelor de machine learning.

- Valoarea validării încrucișate (cross-validation) în evaluarea modelelor.

- Abordarea problemelor de overfitting.

10. Clasificare:

- Algoritmi de clasificare, cum ar fi clasificarea binară și multiclass.

- Analiza matricei de confuzie și curbei ROC în clasificare.

11. Învățare nesupervizată: grupare (clustering):

- Conceptele de învățare nesupervizată și grupare.

- Algoritmi de grupare, cum ar fi K-Means și hierarchical clustering.

12. Rețele neuronale:

- Introducerea în rețelele neuronale artificiale.

- Procesul de antrenare al unei rețele neuronale.

Coroborarea conținuturilor disciplinei cu așteptările reprezentanților comunității epistemice, asociațiilor profesionale și angajatorilor reprezentativi din domeniul aferent programului

- Dezvoltarea competențelor în machine learning: Acest curs ar putea ajuta compania să dezvolte resurse umane capabile să construiască și să evalueze modele de machine learning, ceea ce este esențial pentru analiza datelor și anticiparea comportamentului clienților sau pentru optimizarea proceselor interne.

- Îmbunătățirea produselor și serviciilor: Machine learning poate fi folosit pentru a îmbunătăți produsele și serviciile oferite de companie, personalizându-le în funcție de nevoile și preferințele clienților.

• Géron, Aurélien, 2019. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Beijing, Boston and Farnham: O'Reilly.
• Müller Andreas C. and Sarah Guido. 2016. Introduction to Machine Learning with Python: A Guide for Data Scientists. Beijing, Boston and Farnham: O'Reilly.
• Douchesney, E. and Lofstedt, T., 2018. Statistics and Machine Learning in Python release 0.2

-70% Proiect final

-30% Două teme pentru acasă

-10% Prezente

Obiective generale:

- Scopul principal al cursului "Machine Learning: Predicție, Clasificare și Grupare" este de a dezvolta competențele necesare pentru înțelegerea și aplicarea conceptelor fundamentale din domeniul machine learning, cu accent pe predicție, clasificare și grupare. Cursul se concentrează pe utilizarea eficientă a librăriilor Python pentru machine learning și pe stăpânirea algoritmilor cheie.

Obiective specifice:

- Cunoașterea Algoritmilor de Învățare Supervizată:Înțelegerea și aplicarea algoritmilor de învățare supervizată pentru predicție, clasificare și grupare. Studenții vor învăța cum să selecteze și să implementeze adecvat acești algoritmi în funcție de tipul problemei.

- Diferențierea Metodelor de Statistică și de Învățare Supervizată: Identificarea și înțelegerea diferențelor specifice dintre metodele de statistică și cele de învățare supervizată asistată. Studenții vor putea aprecia contextul și avantajele fiecărei abordări în analiza datelor.

- Realizarea Analizei de Tip Învățare Supervizată: Dobândirea abilităților necesare pentru a efectua o analiză de tip învățare supervizată, inclusiv stăpânirea logică a algoritmilor, scrierea de cod pentru analize și parametrizarea acestora folosind Python.

- Stăpânirea Librăriilor Python pentru Machine Learning: Învățarea și utilizarea eficientă a librăriilor Python cheie pentru machine learning. Studenții vor fi capabili să folosească aceste librării pentru a implementa algoritmi și pentru a efectua analize de învățare supervizată.