23. aprīlī Rīgas Stradiņa universitātē notiks cikla Mašīnmācīšanās pamati otrais vebinārs Uzraudzītā mācīšanās regresijas un klasificēšanas uzdevumiem.
Uzraudzītā mācīšanās regresijas un klasificēšanas apmācīšanās uzdevumiem. Uzraudzītā mācīšanās ir regresijas apmācības uzdevums, ja prognozējamais mainīgais ir nepārtraukta vērtība. Tiks apskatīta lineārā regresija, prognozēto vērtību kļūdas aprēķins, kā arī veidi prognozētās vērtības kļūdas minimizēšanai.
Apmācīšanās uzdevums kļūst par klasificēšanas uzdevumu, ja prognozējamais mainīgais ir kategoriska vērtība. Tiks apskatīti vairāki algoritmi: Logistic Regression, Naïve Bayes, K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Decision Tree un Random Forest, kā arī apmācītā mašīnmācīšanās modeļa veiktspējas novērtēšana.
Nepārraudzītā mašīnmācīšanās tiek izmantota korelāciju meklēšanai datu kopās, kurām nav zināms vai nav pieejams prognozētais mainīgais. Divas no populārākajām nepārraudzītās mācīšanās metodēm ir klasteru analīze un galvenā komponenta analīze.
Mašīnmācīšanās modeļu precizitātes uzlabošanai tiks aplūkoti hiperparametri un to labāko vērtību noteikšanas metodes.
Praktiskajā daļā ar programmēšanas valodu Python iepriekš izvēlētai problēmai un datu kopai būs jāveic mašīnmācīšanās modeļu apmācība, optimizēšana un labākā modeļa izvēle.
Par lektoru
Dr. sc. ing. Uldis Doniņš ir RSU Informācijas tehnoloģiju departamenta Informācijas sistēmu nodaļas vadītājs. Uldis ir paplašinājis savas zināšanas un pieredzi mašīnmācīšanās (machine learning) un datietilpīgā skaitļošanas (data intensive computing) jomās Bufalo Universitātes, ASV, Inženierzinātņu un lietišķo zinātņu fakultātē. Mašīnmācīšanās kā daļa no mākslīgā intelekta nozares nodrošina datorsistēmu mācīšanās un lēmumu pieņemšanas iespējas, balstoties uz pieejamajiem datiem, izmantojot dažādus uzraudzītās (supervised), nepārraudzītās (unsupervised) un stimulētās (reinforcement) mācīšanās modeļus. Datietilpīga skaitļošana risina jautājumus attiecībā uz dažādiem datu formātiem, glabāšanas modeļiem, programmatūras arhitektūru, programmēšanas modeļiem un algoritmiem, kā arī rīkiem liela apjoma datu analīzei.
- Par vebināru ciklu
Pieaugot skaitļošanas tehnikas jaudai un iespējām, mākslīgā intelekta risinājumi ieņem arvien lielāku lomu dažādu procesu norisē un veikšanā. Mašīnmācīšanās kā daļa no mākslīgā intelekta jomas nodrošina datora apmācīšanos un lēmumu pieņemšanu, pamatojoties uz pieejamajiem datiem. Vebinārā tiks apskatīts, kas ir mašīnmācīšanās, tās veidi un algoritmi, kā arī sniegts ieskats datu apstrādē un izmantošanā mašīnmācīšanās algoritmu realizācijā. Vebinārā tiks aplūkoti aktuālie mašīnmācīšanās algoritmi un to realizācijas iespējas, izmantojot Python, kas ir viena no populārākajām programmēšanas valodām.
Praktiskā daļa ir balstīta uz patstāvīgā darba, realizējot mašīnmācīšanās projektu ar Python programmēšanas valodu.
Nākamais vebinārs šajā ciklā
| 21. maijā | Individuāli izstrādāto mašīnmācīšanās projektu prezentācijas un diskusijas |
