Общо описание на курса
Този 12-седмичен курс ще предостави на учениците над 12 години основни и напреднали знания и умения в областта на машинното обучение, необходими за разработка на ефективни модели и алгоритми, които се използват в съвременния свят. Курсът ще започне с основите на машинното обучение и данните, ще премине през различни модели и техники, и ще завърши с практически проекти, които ще помогнат на участниците да приложат наученото на практика. Основният акцент ще бъде върху интерактивното обучение, практическите упражнения и развиването на критично мислене в контекста на машинното обучение.
Целева аудитория: Ученици над 12 години, които искат да навлязат в света на машинното обучение и да развият своите умения в тази бързо развиваща се област.
Предварителни знания: Няма изискване за предварителни знания. Желание за самоусъвършенстване и интерес към темата са достатъчни.
Цел: Да се запознаят участниците с основните и напредналите концепции на машинното обучение и да развият уменията си за изграждане на ефективни модели и алгоритми в различни приложения.
Материали:
- Платформа за онлайн обучение (Google Classroom, Moodle)
- Видеоклипове и интерактивни модули
- Работни листове и тестове
- Презентации и лекционни материали
Структура на курса: Курсът е разделен на 12 модула, всеки с продължителност 1 седмица. Всеки модул включва:
Лекции: (2 часа седмично)
- Представяне на теоретичните концепции с интерактивни примери, демонстрации и забавни факти.
Упражнения: (2 часа седмично)
- Практически задачи за затвърдяване на наученото, с фокус върху решаване на проблеми и творческо приложение.
Проект: (1 проект на модул)
- По-голям практически проект, разработен самостоятелно или в екип, с възможност за представяне пред публика.
Цели на Обучението
Използване на Библиотеки на Python за Анализ на Данни
Учениците ще научат как да използват основните библиотеки на Python като Numpy и Pandas, които са от съществено значение за ефективен анализ на данни. Те ще разбират как да манипулират и анализират големи набори от данни, извличайки ценна информация от тях.
Значение на Статистиката и Проучвателния Анализ на Данни (EDA)
Учениците ще се запознаят със значението на статистиката и проучвателния анализ на данни (EDA) в областта на науката за данни. Те ще научат как да използват различни статистически методи и техники, за да разберат по-добре своите данни и да извлекат полезни инсайти.
Изграждане на Модели за Машинно Обучение
Курсът ще предостави знания за изграждане на модели за машинно обучение, включително линейна регресия, логистична регресия и дървета на решения. Учениците ще научат как да прилагат тези модели за решаване на реални проблеми и как да ги използват за предсказване и класификация.
Решаване на Проблеми с Класификация и Регресия
Учениците ще научат как да решават различни проблеми с класификация и регресия с помощта на машинно обучение. Те ще разбират как да избират подходящи алгоритми и как да ги прилагат ефективно.
Оценка на Моделите за Машинно Обучение
Курсът ще включва техники за оценка на моделите за машинно обучение, използвайки правилните показатели за оценка. Учениците ще научат как да оценяват точността и ефективността на своите модели и как да ги подобряват.
Подобряване на Точността на Моделите чрез Инженеринг на Функции
Учениците ще научат техники за подобряване на точността на своите модели за машинно обучение чрез инженеринг на функции. Те ще разбират как да създават и избират подходящи функции, които да подобрят производителността на техните модели.
Структура на Курсa
Модул 1: Основи на Python и Анализ на Данни
Общ преглед на темите:
- Въведение в Python
- Използване на Numpy и Pandas за анализ на данни
Цели на обучението:
- Усвояване на основите на Python
- Ефективно използване на Numpy и Pandas за обработка на данни
Необходими материали и ресурси:
- Инсталиран Python и Jupyter Notebook
- Онлайн ресурси за Numpy и Pandas
План на лекциите:
- Въведение в Python (1 час)
- Основи на Numpy (1 час)
- Основи на Pandas (2 часа)
Практически упражнения и задачи:
- Решаване на задачи с Numpy и Pandas
- Анализ на реални данни с помощта на тези библиотеки
Проекти:
- Малък проект за анализ на набор от данни с Numpy и Pandas
Модул 2: Статистика и Проучвателен Анализ на Данни (EDA)
Общ преглед на темите:
- Основи на статистиката
- Въведение в EDA
Цели на обучението:
- Разбиране на статистически методи
- Извършване на проучвателен анализ на данни
Необходими материали и ресурси:
- Ресурси за основи на статистиката
- Данни за практическо използване
План на лекциите:
- Основи на статистиката (2 часа)
- Техники за EDA (2 часа)
Практически упражнения и задачи:
- Извършване на EDA върху реални данни
- Използване на статистически методи за анализ
Проекти:
- Проект за пълен EDA върху предоставен набор от данни
Модул 3: Линейна и Логистична Регресия
Общ преглед на темите:
- Въведение в линейната регресия
- Логистична регресия и приложения
Цели на обучението:
- Изграждане на модели за линейна и логистична регресия
- Разбиране на приложенията им
Необходими материали и ресурси:
- Примери и данни за регресионен анализ
План на лекциите:
- Основи на линейната регресия (2 часа)
- Основи на логистичната регресия (2 часа)
Практически упражнения и задачи:
- Изграждане на модели за линейна и логистична регресия
- Анализ на резултатите и оценка на моделите
Проекти:
- Проект за изграждане на модел за линейна или логистична регресия върху реални данни
Модул 4: Дървета на Решения и Случайни Гори
Общ преглед на темите:
- Въведение в дърветата на решения
- Случайни гори и техните предимства
Цели на обучението:
- Изграждане на модели с дървета на решения и случайни гори
- Разбиране на предимствата на тези методи
Необходими материали и ресурси:
- Данни за практическо използване
- Примери за дървета на решения
План на лекциите:
- Основи на дърветата на решения (2 часа)
- Въведение в случайните гори (2 часа)
Практически упражнения и задачи:
- Изграждане на модели с дървета на решения и случайни гори
- Оценка на производителността на моделите
Проекти:
- Проект за изграждане на модел с дървета на решения или случайни гори върху реални данни
Модул 5: Оценка на Моделите за Машинно Обучение
Общ преглед на темите:
- Методи за оценка на модели
- Избор на подходящи показатели за оценка
Цели на обучението:
- Оценка на моделите за машинно обучение
- Използване на правилните показатели за оценка
Необходими материали и ресурси:
- Примери за оценка на модели
- Данни за практическо използване
План на лекциите:
- Методи за оценка на модели (2 часа)
- Избор на подходящи показатели (2 часа)
Практически упражнения и задачи:
- Оценка на модели върху различни набори от данни
- Анализ на резултатите и подобрения
Проекти:
- Проект за оценка на модели за машинно обучение върху реални данни
Модул 6: Подобряване на Точността чрез Инженеринг на Функции
Общ преглед на темите:
- Въведение в инженеринг на функции
- Техники за подобряване на точността
Цели на обучението:
- Разбиране на инженеринг на функции
- Използване на техники за подобряване на точността
Необходими материали и ресурси:
- Примери и данни за инженеринг на функции
План на лекциите:
- Основи на инженеринг на функции (2 часа)
- Техники за подобряване на точността (2 часа)
Практически упражнения и задачи:
- Използване на инженеринг на функции за подобряване на модели
- Оценка на подобренията
Проекти:
- Проект за подобряване на модел чрез инженеринг на функции върху реални данни
Модели на машинно обучение
Запознайте се с мощните библиотеки на Python като Numpy и Pandas, научете значението на статистиката и проучвателния анализ на данни, и овладейте изграждането на модели за машинно обучение. Независимо дали сте начинаещ или искате да разширите своите умения, този курс ще ви предостави необходимите знания и практически опит, за да се изявите в тази бързо развиваща се област. Присъединете се към нас и започнете своето пътешествие в машинното обучение днес!
Учебен план по седмици
Седмица 1: Въведение в Python и Анализ на Данни с Numpy и Pandas
Общ преглед: Започваме с основите на Python и запознаване с мощните библиотеки за анализ на данни – Numpy и Pandas.
Цели:
- Усвояване на основите на Python
- Научаване на основни операции с Numpy и Pandas
Материали:
- Инсталиран Python и Jupyter Notebook
- Онлайн ресурси за Numpy и Pandas
Лекции:
- Основи на Python (2 часа)
- Въведение в Numpy (2 часа)
Упражнения:
- Създаване на прости скриптове на Python
- Извършване на основни операции с Numpy
Проект:
- Анализ на малък набор от данни с Numpy
Седмица 2: Продължаваме с Pandas
Общ преглед: Продължаваме с Pandas, за да разберем как да манипулираме и анализираме данни ефективно.
Цели:
- Използване на Pandas за обработка на данни
- Научаване на основни операции с DataFrames
Материали:
- Инсталиран Python и Jupyter Notebook
- Онлайн ресурси за Pandas
Лекции:
- Основи на Pandas (2 часа)
- Работа с DataFrames (2 часа)
Упражнения:
- Създаване и манипулиране на DataFrames
- Извършване на основни операции като сортиране и филтриране
Проект:
- Анализ на набор от данни с помощта на Pandas
Седмица 3: Статистика и Проучвателен Анализ на Данни (EDA)
Общ преглед: Запознаване със значението на статистиката и EDA за анализ на данни.
Цели:
- Разбиране на основни статистически понятия
- Извършване на EDA върху набор от данни
Материали:
- Примери и данни за статистически анализ
Лекции:
- Основи на статистиката (2 часа)
- Техники за EDA (2 часа)
Упражнения:
- Изчисляване на основни статистически показатели
- Визуализация на данни с помощта на графики
Проект:
- Пълен EDA на предоставен набор от данни
Седмица 4: Линейна Регресия
Общ преглед: Изучаване на линейната регресия и нейните приложения за предсказване.
Цели:
- Изграждане на модел за линейна регресия
- Разбиране на използването на линейната регресия за предсказване
Материали:
- Данни за регресионен анализ
- Примери за линейна регресия
Лекции:
- Въведение в линейната регресия (2 часа)
- Приложения на линейната регресия (2 часа)
Упражнения:
- Изграждане на прост модел за линейна регресия
- Анализ на резултатите от модела
Проект:
- Изграждане на модел за линейна регресия върху реални данни
Седмица 5: Логистична Регресия
Общ преглед: Запознаване с логистичната регресия и нейното приложение за класификация.
Цели:
- Изграждане на модел за логистична регресия
- Разбиране на използването на логистичната регресия за класификация
Материали:
- Данни за регресионен анализ
- Примери за логистична регресия
Лекции:
- Въведение в логистичната регресия (2 часа)
- Приложения на логистичната регресия (2 часа)
Упражнения:
- Изграждане на прост модел за логистична регресия
- Анализ на резултатите от модела
Проект:
- Изграждане на модел за логистична регресия върху реални данни
Седмица 6: Дървета на Решенията (Desicion trees)
Общ преглед: Запознаване с дърветата на решения и тяхната употреба за предсказване и класификация.
Цели:
- Изграждане на модел с дървета на решения
- Разбиране на използването на дърветата на решения за предсказване и класификация
Материали:
- Данни за анализ
- Примери за дървета на решения
Лекции:
- Въведение в дърветата на решения (2 часа)
- Приложения на дърветата на решения (2 часа)
Упражнения:
- Изграждане на модел с дървета на решения
- Анализ на резултатите от модела
Проект:
- Изграждане на модел с дървета на решения върху реални данни
Седмица 7: Случайни Гори (Random Forest)
Общ преглед: Запознаване със случайните гори и техните предимства пред дърветата на решения.
Цели:
- Изграждане на модел със случайни гори
- Разбиране на предимствата на случайните гори
Материали:
- Данни за анализ
- Примери за случайни гори
Лекции:
- Въведение в случайните гори (2 часа)
- Приложения на случайните гори (2 часа)
Упражнения:
- Изграждане на модел със случайни гори
- Анализ на резултатите от модела
Проект:
- Изграждане на модел със случайни гори върху реални данни
Седмица 8: Методи за Оценка на Модели
Общ преглед: Запознаване с методите за оценка на модели за машинно обучение.
Цели:
- Оценка на моделите за машинно обучение
- Използване на подходящите показатели за оценка
Материали:
- Примери за оценка на модели
- Данни за анализ
Лекции:
- Методи за оценка на модели (2 часа)
- Избор на подходящи показатели (2 часа)
Упражнения:
- Оценка на модели върху различни набори от данни
- Анализ на резултатите
Проект:
- Оценка на модел върху реални данни
Седмица 9: Подобряване на Модели чрез Инженеринг на Функции
Общ преглед: Запознаване с инженеринг на функции и техники за подобряване на точността на модели.
Цели:
- Разбиране на инженеринг на функции
- Използване на техники за подобряване на точността
Материали:
- Примери и данни за инженеринг на функции
Лекции:
- Основи на инженеринг на функции (2 часа)
- Техники за подобряване на точността (2 часа)
Упражнения:
- Използване на инженеринг на функции за подобряване на модели
- Оценка на подобренията
Проект:
- Подобряване на модел чрез инженеринг на функции върху реални данни
Седмица 10: Практическо Приложение на Машинното Обучение
Общ преглед: Изследване на реални приложения на машинното обучение в различни индустрии.
Цели:
- Разбиране на практическите приложения на машинното обучение
- Приложение на наученото върху реални проблеми
Материали:
- Примери за реални приложения
- Данни за анализ
Лекции:
- Приложения на машинното обучение в различни индустрии (2 часа)
- Решаване на реални проблеми с машинно обучение (2 часа)
Упражнения:
- Анализ на реални случаи
- Разработка на решения за реални проблеми
Проект:
- Решаване на реален проблем чрез използване на машинно обучение
Седмица 11: Подготовка за Финалния Проект
Общ преглед: Подготовка за финалния проект, включваща преглед на наученото и планиране на проекта.
Цели:
- Преглед на ключови концепции и техники
- Планиране и подготовка за финалния проект
Материали:
- Прегледни материали
- Ресурси за планиране на проект
Лекции:
- Обобщение на ключови концепции (2 часа)
- Планиране на проекта (2 часа)
Упражнения:
- Преглед на предишни задачи и проекти
- Планиране на финалния проект
Проект:
- Начало на работата по финалния проект
Седмица 12: Финален Проект и Презентация
Общ преглед: Завършване на финалния проект и представяне на резултатите.
Цели:
- Завършване на финалния проект
- Презентация на резултатите пред аудитория
Материали:
- Ресурси за подготовка на презентация
- Примери за успешни проекти
Лекции:
- Ръководство за създаване на презентация (2 часа)
- Съвети за успешна презентация (2 часа)
Упражнения:
- Работа по финалния проект
- Подготовка на презентация
Проект:
- Презентация на финалния проект пред аудитория
Основи на Python и библиотеките Numpy и Pandas:
- Python: Разбиране на основните синтаксиси и структури на Python, включително променливи, условни оператори, цикли, функции и класове.
- Numpy: Усвояване на основните операции с Numpy за работа с многомерни масиви, включително създаване, манипулиране и извършване на аритметични операции.
- Pandas: Научаване на основните функционалности на Pandas за обработка и анализ на данни с DataFrames и Series, включително сортиране, филтриране и групиране на данни.
Статистика и проучвателен анализ на данни (EDA):
- Статистика: Разбиране на основни статистически понятия като средна стойност, медиана, мода, разпределение, стандартно отклонение и корелация.
- EDA: Усвояване на техниките за проучвателен анализ на данни, включително визуализация на данни с графики и идентифициране на модели и тенденции в данните.
Линейна регресия:
- Основи: Разбиране на концепциите за линейна зависимост и регресия, включително коефициент на корелация и регресионно уравнение.
- Моделиране: Научаване как да изграждаме и оценяваме модели за линейна регресия, включително използване на метрики като R^2 и Mean Squared Error (MSE).
Логистична регресия:
- Основи: Разбиране на концепциите за логистична регресия и класификация, включително логистичната функция и вероятностните модели.
- Моделиране: Усвояване на техниките за изграждане и оценка на модели за логистична регресия, включително метрики като точност, прецизност, възстановяване и F1-скор.
Дървета на решения и случайни гори:
- Дървета на решения: Разбиране на структурите и алгоритмите за изграждане на дървета на решения, включително критерии за разцепване като Gini и Entropy.
- Случайни гори: Усвояване на концепциите за ансамблови методи и случайни гори, включително комбиниране на множество дървета за подобряване на точността и стабилността на моделите.
Методи за оценка на модели и инженеринг на функции:
- Оценка на модели: Разбиране на различните методи за оценка на модели, включително cross-validation, confusion matrix и ROC криви.
- Инженеринг на функции: Научаване на техниките за създаване и избор на подходящи функции (features) за подобряване на моделите, включително feature scaling и feature selection.
Анализ и манипулация на данни с Numpy и Pandas:
- Numpy: Извършване на сложни аритметични операции с многомерни масиви.
- Pandas: Ефективно манипулиране на големи набори от данни, включително трансформация на данни и създаване на сложни филтри и групировки.
Изграждане и оценка на модели за машинно обучение:
- Моделиране: Създаване на модели за линейна и логистична регресия, дървета на решения и случайни гори.
- Оценка: Оценка на моделите с помощта на различни метрики и избор на най-подходящия модел за даден проблем.
Приложение на машинното обучение върху реални данни и проблеми:
- Проекти: Разработка на проекти, които прилагат научените модели върху реални набори от данни, решаване на практически проблеми и представяне на резултатите.
Критично мислене и анализ на данни:
- Развиване на способността за критичен анализ на данни и оценка на резултатите от моделирането.
- Усвояване на умения за вземане на информирани решения въз основа на данни и анализи.
Решаване на проблеми и творческо мислене:
- Развитие на умения за творческо решаване на проблеми чрез прилагане на различни техники за машинно обучение.
- Използване на иновативни подходи за оптимизиране и подобряване на моделите.
Комуникационни умения чрез презентация на проекти:
- Усвояване на умения за ефективна комуникация на резултатите от анализа и моделите чрез презентации.
- Развитие на способности за работа в екип чрез съвместни проекти и представяне на резултатите пред аудитория.
Въведение в машинното обучение и основите на Python
Този модул запознава участниците с основите на машинното обучение и Python. Ще разгледаме фундаменталните концепции и алгоритми на машинното обучение, и ще се научим да използваме основните функции и синтаксиси на Python, както и библиотеки като Numpy и Pandas за ефективна манипулация на данни.
Статистика и проучвателен анализ на данни (EDA)
В този модул участниците ще научат основите на статистиката и как да извършват проучвателен анализ на данни (EDA). Ще разгледаме основни статистически концепции и методи, както и техники за визуализация и анализ на данни с помощта на библиотеките Pandas и Matplotlib.
Линейна регресия
Този модул фокусира върху линейната регресия като един от основните модели за машинно обучение. Участниците ще се научат как да създават и оценяват модели за линейна регресия, да интерпретират резултатите и да прилагат тези модели върху реални данни за предсказване на непрекъснати стойности.
Логистична регресия
В този модул ще се запознаем с логистичната регресия, използвана за решаване на класификационни задачи. Ще разгледаме концепциите за вероятностни модели и как да създаваме и оценяваме модели за логистична регресия, както и да анализираме техните резултати чрез различни метрики.
Дървета на решения и случайни гори
Този модул обхваща дърветата на решения и случайните гори като мощни инструменти за класификация и регресия. Участниците ще научат как да създават и използват дървета на решения и ансамблови методи за подобряване на точността и стабилността на моделите.
Оценка на модели и инженеринг на функции
В последния модул ще се фокусираме върху оценката на модели и инженеринг на функции. Ще разгледаме различни методи за оценка на модели, като cross-validation и confusion matrix, и ще научим техники за подобряване на моделите чрез избор и трансформация на подходящи функции.
Моля, попълнете този формуляр
Машинно обучение за начинаещи
- AI, Machine learning
- 4
- 1
- 17 d 2 h 45 m
- : 50
Свържете се с нас:
Свържете се с нас:
- Бизнес Парк Варна, Сграда Б1, гр. Варна
- support@xplorify.bg
- +358 889 852720
- www.xplorify.bg
