No datu sagatavošanas līdz MI pielietošanai (AIP - 1)

Formāts: tiešsaistē

Ilgums: 10 stundas

Minimālais dalībnieku skaits grupā - 10 cilvēki

Kursa tēmas:

• Datu sagatavošana dažādiem MI tehnoloģiju pielietojumiem:
• Datu sākotnējais apskats (statistika, histogrammas)
• Datu tīrīšana un pārbaude, datu aizvietošana
• Korelāciju analīze
• Secinājumu izdarīšana par pieejamo datu apjomu.
• Matplotlib bibliotēkas pamati datu vizualizācijai MI risinājumu vajadzībām, secinājumu izdarīšana:
• līniju, stabiņu, sektoru diagrammu veidošana:
• Seaborn bibliotēkas pamati datu vizualizācijai MI risinājumu vajadzībām, secinājumu izdarīšana:
• attiecību diagrammas, histogrammas, kastes
• Pandas un Statsmodels bibliotēku pamati datu vizualizācijai MI risnājumu vajadzībām, secinājumu izdarīšana:
• Laikrindu vizualizācija
• Vidējo slīdošo laikrindu vizalizācija
• Laikrindu trendu identificēšana un attēlošana

Praktiskais darbs:

• Veikt sākotnējo datu masīva izpēti, sakārtošanu.
• Veik sākotnējo datu novērtēšanu izmantojot statistikas metodes
• Attēlot histogrammas un citus iespējamos grafikus
• Pārbaudīt vaid laikrindas datos ir likumsakarības
• Attēlot laikrindas trendus

• Ievads MI tehnoloģijās:
  • Mākslīgā intelekta risinājumu apskats
  • Dažādi piemēri MI praktiskam pielietojumam Latvijā un pasaulē
  • Mašīnmācīšanās izmantošana ētiskie pamati.
  • Mašīnmācīšanās (ML) pamati:
    • ML projektu gaitas apskats, soļi, principi
    • Datu sagatavošana mašīnmācīšanās projektam
    • Datu vizualizācija, aprakstīšana izmantojot dažādas kvantitatīvas un kvalitatīvās metodes.
    • Datu korelācijas analīze, datu izvēle projektam.
• Projekta izveide izmantojot klasifikācijas modeļus un pārraudzīto mašīnmācīšanos:
  • Klasifikācijas modeļu apskats, modeļa izvēle
  • Izvēlētā modeļa implementācija kodā, ML projekta darbināšana
  • Modeļa rezultātu novērtēšana izmantojot pretrunu matricu, citus novērtēšanas kritērijus.
• Nepārraudzītā mašīnmācīšanās:
  • Kas ir nepārraudzītā mašīnmācīšanās
  • Datu klastererēšana
  • Dimensiju reducēšana
  • Datu vizulizācija nepārraudzītās mašīnmācīšanās kontekstā
  • Secinājumu izdarīšana balstoties uz datu vizualizāciju.
• Lielo valodas modeļu (LLM, kā piemēra, ChatGPT izmantošana realizējot pārraudzītās un nepārraudzītās mašīnmācīšanās projektus, risinot klasifikācijas un klasterēšanas problēmas).

Praktiskais darbs:

• Izmantojot dažādus datu komplektus, realizēt patstāvīgu pārraudzītās mašīnmācīšanās projektu.
• Izmantojot dažādus datu komplektus, realizēt patstāvīgu nepārraudzītās mašīnmācīšanās projektu.
• Realizēt abus projektus ChatGPT vidē.

Apliecība:
Pēc kursa apguves visi dalībnieki saņems apliecību par kursa beigšanu digitālā formā.

Video ieraksts un materiāli:
Pēc kursa dalībniekiem būs pieejami:

• video nodarbību ieraksti
• kodu piemēri, datu kopas un citi mācību materiāli, lai nodrošinātu iespēju atkārtot un pielietot apgūto praksē

Tehniskās prasības dalībniekiem:

• Stabils interneta pieslēgums dalībai attālinātajās nodarbībās (ieteicams – vadu savienojums vai kvalitatīvs Wi-Fi)
• Dators ar kameru un mikrofonu (tiešsaistes nodarbībām, interaktīvai līdzdalībai)
• Instalēta Python vide darbam ar datiem (piemēram, Jupyter Notebook, VS Code vai cita atbilstoša vide)
• Precīzas instalēšanas instrukcijas tiks nosūtītas pirms kursa sākuma
• Pamata prasmes darbā ar datoru
• Vēlamas priekšzināšanas Python un datu apstrādē (nav obligāti, bet atvieglos mācību procesu)

Pirms kursa:

• Visiem dalībniekiem tiks nosūtīta e-pasta vēstule ar tehnisko instrukciju, rīku sarakstu un piekļuves informāciju Zoom vai citai izmantotajai platformai.
• Tiks piedāvāta iespēja pārbaudīt savu vidi pirms kursa sākuma, pieslēdzoties testa sesijai.

Pasniedzējs un kursa autors: Jānis Bēniķis