
Внедряване на проекти за машинно обучение и наука за данни като публични уеб приложения
Общо описание на курса
Този 12-седмичен курс ще предостави на учениците над 12 години основни знания и умения за разработване и внедряване на проекти за машинно обучение (ML) и наука за данни (DS) като публични уеб приложения. Курсът ще започне с основите на ML и DS, ще премине през избора на алгоритъм за машинно обучение и ще завърши с пълно внедряване на алгоритъм за ML в производствена среда. Основният акцент ще бъде върху интерактивното обучение, практическите упражнения и развиването на критично мислене.
Целева аудитория: Деца над 12 години с интерес към програмиране, езици и изкуствен интелект.
Предварителни знания: Базови познания по програмиране (променли, цикли, функции) – за предпочитане Python.
Цел: Да се запознаят участниците с магията на обработката на естествен език (NLP) и да изградят собствени NLP приложения с помощта на Hugging Face.
Материали:
- Платформа за онлайн обучение (Google Classroom, Moodle)
- Google Colab и Jupyter Notebook
Структура на курса:
Курсът е разделен на 3 модула, всеки с продължителност 4 седмици. 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.
Внедряване на проекти за машинно обучение като уеб приложения
Учебен план по седмици
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
Седмица 1: Въведение в машинното обучение и науката за данни
- Общ преглед на темите:
- Основни понятия в машинното обучение и науката за данни
- История и еволюция на AI
- Примери и приложения в реалния свят
- Цели на обучението:
- Разбиране на основните концепции в ML и DS
- Запознаване с различни приложения на AI
- Необходими материали и ресурси:
- Компютър с интернет достъп
- Основни статии и видеоклипове за ML и DS
План на лекцията:
- Въведение в курса и целите му
- История и еволюция на AI
- Преглед на основните концепции в ML и DS
Практически упражнения и задачи:
- Изследване и обсъждане на реални приложения на AI
Проект или домашна работа:
- Напишете кратко есе за приложение на AI, което ви впечатлява
Седмица 2: Основи на програмирането с Python
- Общ преглед на темите:
- Въведение в Python
- Основни концепции в програмирането
- Инсталиране и настройка на необходимия софтуер
- Цели на обучението:
- Запознаване с основите на Python
- Разбиране на основни програмни конструкции
- Необходими материали и ресурси:
- Компютър с инсталиран Python и Jupyter Notebook
- Онлайн ресурси и учебници за Python
План на лекцията:
- Въведение в Python и неговите предимства
- Основни синтаксиси и конструкции
- Примери и практическо програмиране
Практически упражнения и задачи:
- Напишете прости Python програми за изчисления и манипулация на данни
Проект или домашна работа:
- Напишете Python програма, която решава проста математическа задача
Седмица 3: Въведение в науката за данни
- Общ преглед на темите:
- Основни понятия в науката за данни
- Типове данни и източници на данни
- Основи на анализа на данни
- Цели на обучението:
- Разбиране на основите на науката за данни
- Запознаване с различни източници на данни и методи за анализ
- Необходими материали и ресурси:
- Компютър с инсталиран Python и библиотеки като Pandas и NumPy
- Данни за анализ от онлайн източници
План на лекцията:
- Въведение в науката за данни и основните й принципи
- Типове данни и тяхното значение
- Основни техники за анализ на данни
Практически упражнения и задачи:
- Използвайте Pandas за зареждане и анализ на данни
Проект или домашна работа:
- Направете основен анализ на избран набор от данни и представете резултатите
Седмица 4: Пътна карта за избор на алгоритъм за машинно обучение
- Общ преглед на темите:
- Въведение в различни типове алгоритми за ML
- Критерии за избор на подходящ алгоритъм
- Примери за различни алгоритми
- Цели на обучението:
- Разбиране на различните типове алгоритми за ML
- Умение за избор на подходящ алгоритъм за даден проблем
- Необходими материали и ресурси:
- Компютър с инсталирани ML библиотеки (например Scikit-learn)
- Ресурси за изучаване на различни алгоритми
План на лекцията:
- Преглед на различни алгоритми за ML (регресия, класификация, клъстеризация)
- Критерии за избор на алгоритъм
- Примери и приложения на различни алгоритми
Практически упражнения и задачи:
- Изберете подходящ алгоритъм за даден набор от данни и го имплементирайте
Проект или домашна работа:
- Направете кратък доклад за избран алгоритъм и неговите предимства и недостатъци
Седмица 5: Предобработка на данни
- Общ преглед на темите:
- Важност на предобработката на данни
- Техники за почистване и трансформация на данни
- Нормализация и стандартизация на данни
- Цели на обучението:
- Разбиране на важността на предобработката на данни
- Умение за прилагане на различни техники за предобработка
- Необходими материали и ресурси:
- Компютър с инсталирани ML библиотеки
- Данни за предобработка
План на лекцията:
- Въведение в предобработката на данни
- Техники за почистване и трансформация на данни
- Примери и практическо приложение на техниките
Практически упражнения и задачи:
- Приложете различни техники за предобработка на предоставен набор от данни
Проект или домашна работа:
- Напишете Python скрипт за предобработка на реален набор от данни
Седмица 6: Основи на алгоритмите за машинно обучение
- Общ преглед на темите:
- Въведение в регресия и класификация
- Линейна регресия и логистична регресия
- К-най-близки съседи (k-NN)
- Цели на обучението:
- Разбиране на основите на регресия и класификация
- Имплементация на прости алгоритми за регресия и класификация
- Необходими материали и ресурси:
- Компютър с инсталирани ML библиотеки
- Примерни набори от данни
План на лекцията:
- Въведение в регресия и класификация
- Линейна регресия и логистична регресия
- Преглед на К-най-близки съседи (k-NN)
Практически упражнения и задачи:
- Имплементирайте линейна и логистична регресия с предоставени данни
- Приложете k-NN алгоритъм за класификация
Проект или домашна работа:
- Направете анализ и сравнение на резултатите от различните алгоритми за даден набор от данни
Седмица 7: Оценяване и валидация на модели
- Общ преглед на темите:
- Метрики за оценяване на модели
- Кръстосана валидация
- Разделяне на данните за обучение и тестване
- Цели на обучението:
- Разбиране на метриките за оценяване на ML модели
- Умение за прилагане на техники за валидация на модели
- Необходими материали и ресурси:
- Компютър с инсталирани ML библиотеки
- Данни за обучение и тестване
План на лекцията:
- Въведение в метриките за оценяване на модели (точност, прецизност, иззичност)
- Преглед на кръстосаната валидация
- Техники за разделяне на данните за обучение и тестване
Практически упражнения и задачи:
- Приложете различни метрики за оценяване на модели на предоставени данни
Проект или домашна работа:
- Направете анализ на модел, използвайки различни техники за валидация и оценяване
Седмица 8: Въведение в невронните мрежи и дълбокото обучение
- Общ преглед на темите:
- Основи на невронните мрежи
- Архитектури на дълбоки невронни мрежи
- Приложения на дълбокото обучение
- Цели на обучението:
- Разбиране на основите на невронните мрежи и дълбокото обучение
- Имплементация на прости невронни мрежи
- Необходими материали и ресурси:
- Компютър с инсталирани библиотеки за дълбоко обучение (например TensorFlow или PyTorch)
- Примерни набори от данни
План на лекцията:
- Въведение в невронните мрежи
- Архитектури на дълбоки невронни мрежи
- Примери за приложения на дълбокото обучение
Практически упражнения и задачи:
- Имплементирайте проста невронна мрежа за класификация на данни
Проект или домашна работа:
- Направете анализ на резултатите от невронната мрежа и предложете подобрения
Седмица 9: Внедряване на модели в производствена среда
- Общ преглед на темите:
- Въведение във внедряването на ML модели
- Инструменти и техники за внедряване
- Примери за внедряване на модели в уеб приложения
- Цели на обучението:
- Разбиране на процеса на внедряване на ML модели
- Запознаване с инструменти и техники за внедряване
- Необходими материали и ресурси:
- Компютър с интернет достъп
- Примерни модели за внедряване
План на лекцията:
- Въведение във внедряването на ML модели
- Преглед на инструменти и техники за внедряване
- Примери за внедряване на модели в уеб приложения
Практически упражнения и задачи:
- Имплементирайте и внедрете ML модел като уеб приложение
Проект или домашна работа:
- Направете анализ на процеса на внедряване и предложете подобрения
Седмица 10: Работа с големи данни и облачни технологии
- Общ преглед на темите:
- Въведение в големите данни
- Облачни технологии и техните приложения
- Инструменти за обработка на големи данни
- Цели на обучението:
- Разбиране на концепциите за големи данни и облачни технологии
- Запознаване с инструменти за обработка на големи данни
- Необходими материали и ресурси:
- Компютър с интернет достъп
- Ресурси за изучаване на облачни технологии
План на лекцията:
- Въведение в големите данни
- Преглед на облачни технологии и техните предимства
- Примери за инструменти за обработка на големи данни
Практически упражнения и задачи:
- Използвайте облачни технологии за обработка на големи данни
Проект или домашна работа:
- Направете анализ на предимствата и недостатъците на облачните технологии
Седмица 11: Етика и социални въздействия на AI
- Общ преглед на темите:
- Етика в AI и ML
- Социални и икономически въздействия на AI
- Примери за етични дилеми в AI
- Цели на обучението:
- Разбиране на етичните въпроси в AI и ML
- Запознаване със социалните и икономически въздействия на AI
- Необходими материали и ресурси:
- Компютър с интернет достъп
- Статии и ресурси за етика в AI
План на лекцията:
- Въведение в етиката в AI
- Преглед на социалните и икономически въздействия на AI
- Примери за етични дилеми и техните решения
Практически упражнения и задачи:
- Обсъждане на етични дилеми в AI
Проект или домашна работа:
- Напишете есе за етичните въздействия на AI в съвременното общество
Седмица 12: Завършващ проект и представяне
- Общ преглед на темите:
- Изготвяне на завършващ проект
- Представяне на проектите
- Обсъждане и обратна връзка
- Цели на обучението:
- Прилагане на всички придобити знания и умения
- Развитие на презентационни умения
- Необходими материали и ресурси:
- Компютър с интернет достъп
- Ресурси за подготовка на презентации
План на лекцията:
- Преглед на изискванията за завършващия проект
- Подготовка на проектите
- Представяне и обсъждане на проектите
Практически упражнения и задачи:
- Изготвяне на завършващ проект, който интегрира всички придобити знания и умения
Проект или домашна работа:
- Подготовка и представяне на завършващ проект
- Теоретични умения
- Практически умения
- Лични умения
Основи на машинното обучение (ML):
- Разбиране на ключовите концепции и дефиниции в машинното обучение.
- Историческо развитие и значими моменти в областта на ML.
Типове машинно обучение:
- Разлика между контролирано и неконтролирано обучение.
- Въведение в полунеконтролирано и подсилено обучение.
Алгоритми за машинно обучение:
- Регресия (линейна и логистична регресия).
- Класификационни алгоритми (например, К-най-близки съседи (k-NN), решаващи дървета, случайни гори).
- Алгоритми за клъстеризация (например, K-means).
- Невронни мрежи и дълбоко обучение (основни архитектури и видове слоеве).
Предобработка на данни:
- Значение на предобработката на данни.
- Техники за почистване и трансформация на данни (например, справяне с липсващи стойности, кодиране на категориални променливи).
- Нормализация и стандартизация на данни.
Оценяване и валидация на модели:
- Метрики за оценяване на модели (например, точност, прецизност, иззичност, F1-score).
- Техники за валидация на модели (например, кръстосана валидация).
Внедряване на ML модели:
- Основи на внедряването на ML модели в производствена среда.
- Инструменти и техники за внедряване.
Обработка на големи данни и облачни технологии:
- Основи на работата с големи данни.
- Преглед на облачните технологии и техните приложения.
Етика в AI:
- Етични въпроси и предизвикателства в AI.
- Социални и икономически въздействия на AI.
Програмиране с Python:
- Основи на програмирането с Python.
- Използване на основни програмни конструкции (например, цикли, условия, функции).
Използване на библиотеки за машинно обучение и наука за данни:
- Работа с библиотеки като Pandas, NumPy, Scikit-learn.
- Имплементация на ML алгоритми с помощта на тези библиотеки.
Предобработка и анализ на данни:
- Зареждане и манипулация на данни с Pandas.
- Приложение на техники за почистване и трансформация на данни.
Имплементация на ML модели:
- Изграждане и тренировка на ML модели.
- Използване на техники за оценяване и валидация на модели.
Внедряване на ML модели като уеб приложения:
- Използване на инструменти за разработка на уеб приложения (например, Flask, Django).
- Интеграция на ML модели в уеб приложения.
Работа с облачни технологии:
- Използване на облачни платформи за обработка на данни (например, AWS, Google Cloud).
Критично мислене и анализ:
- Способност за анализ на данни и извличане на смислена информация.
- Развиване на умение за критично оценяване на ML модели и резултати.
Работа в екип и сътрудничество:
- Умение за ефективна комуникация и сътрудничество с други ученици и преподаватели.
- Способност за работа по групови проекти и задачи.
Презентационни умения:
- Умение за създаване на ясни и убедителни презентации.
- Способност за представяне на резултати и анализи пред аудитория.
Решаване на проблеми:
- Развиване на умение за ефективно решаване на сложни проблеми.
- Способност за прилагане на научените техники и методи за решаване на реални задачи.
Етично съзнание:
- Разбиране на етичните въпроси и предизвикателства в AI.
- Умение за вземане на етични решения при работа с AI технологии.
Иновация и креативност:
- Стимулиране на креативното мислене и иновациите при разработка на ML проекти.
- Насърчаване на експериментиране и търсене на нови подходи и решения.
Въведение в Машинното Обучение
Добре дошли в света на машинното обучение! В този модул ще открием какво представлява машинното обучение, защо е толкова важно и как променя света около нас. Ще разгледаме основните концепции и термини, както и различните типове машинно обучение. Ще научите как машините могат да се учат от данни и да вземат интелигентни решения. Очаквайте интересни примери и забавни активности, които ще направят учебния процес незабравим.
Основи на Програмирането с Python
Готови ли сте да програмирате? В този модул ще се потопим в основите на програмирането с Python – един от най-популярните езици за машинно обучение. Ще се запознаете с основните синтаксиси и структури на езика, като функции, цикли и условия. Ще имате възможност да създавате свои първи програми и да видите как те работят в реално време. Забавлявайте се, докато учите как да пишете код!
Обработка и Анализ на Данни
Данните са навсякъде около нас! В този модул ще научите как да събирате, почиствате и анализирате данни с помощта на мощни инструменти като Pandas и NumPy. Ще видите как данните могат да разкажат истории и да разкрият скрити модели. Ще работим с различни типове данни и ще научим как да ги подготвяме за машинно обучение. Готови ли сте да станете детективи на данните?
Въведение в Алгоритмите за Машинно Обучение
Време е да се запознаем с мозъка на машинното обучение – алгоритмите! В този модул ще разгледаме основните алгоритми като линейна регресия, класификация и клъстеризация. Ще видите как тези алгоритми могат да се използват за решаване на различни задачи и как работят зад кулисите. Ще имате възможност да имплементирате и тренирате свои първи модели. Готови ли сте да станете машинни магьосници?
Оценяване и Валидация на Модели
Колко добри са вашите модели? В този модул ще научите как да оценявате и валидирате своите машинни модели, използвайки метрики като точност, прецизност и иззичност. Ще разгледаме техники като кръстосана валидация и ще научим как да избираме най-добрия модел за конкретна задача. Ще се забавляваме, докато тестваме и подобряваме нашите модели.
Внедряване на ML Модели в Производствена Среда
Време е да видим как нашите модели оживяват! В този модул ще научите как да внедрите своите машинни модели в производствена среда като уеб приложения. Ще разгледаме инструменти като Flask и Django и ще видим как да интегрираме нашите модели в реални приложения. Ще създадем свои първи ML уеб приложения и ще видим как те работят на практика. Готови ли сте да станете уеб магьосници?
Обработка на Големи Данни и Облачни Технологии
Данните стават все по-големи и сложни! В този модул ще разгледаме как да работим с големи данни и как да използваме облачни технологии за тяхната обработка. Ще научим за платформите като AWS и Google Cloud и как те могат да ни помогнат да се справим с големи обеми от данни. Ще имате възможност да експериментирате с облачни услуги и да видите как те улесняват нашата работа. Готови ли сте да летите в облаците?
Практически Проекти и Приложения
Време е да приложим наученото! В този модул ще работим по практически проекти и приложения, които ще ни позволят да приложим всички умения, които сме придобили до момента. Ще имате възможност да изберете проект, който ви интересува, и да го реализирате с помощта на вашите нови знания и умения. Готови ли сте да създадете нещо уникално?
Моля, попълнете този формуляр
- PreviewDuration : 1 hrs
- PreviewDuration : 1 hrs
- PreviewDuration : 1 hrs
Total number of Students in this course : 1
-
darren
-
Mcgettrick
-
Nik Raychev
-
testtest test
-
Kaloyan Andreeev
-
Александър Дойчев
AI за малки гении: Забавно и полезно
Добре дошли в света на Машинното Обучение и Науката за Данни
-
1 Star
-
2 Stars
-
3 Stars
-
4 Stars
-
5 Stars
Comment ( 1 )
Comments are closed.
- AI, Data Science, Machine learning
- 3
- 3 h
- : 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

Test
Suspendisse dignissim, velit sed mattis ultricies, urna sem auctor velit, convallis facilisis libero elit pellentesque metus. Curabitur porta dui sit amet ligula ullamcorper posuere. Pellentesque rutrum nulla vel tempus ullamcorper. Pellentesque lectus augue.