Внедряване на проекти за машинно обучение и наука за данни като публични уеб приложения

Внедряване на проекти за машинно обучение и наука за данни като публични уеб приложения

( 1 Review )
лв.336

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

Научете как да създавате и внедрявате свои собствени AI проекти! Този 12-седмичен курс ще ви въведе в света на машинното обучение и науката за данни и ще ви покаже как да ги приложите на практика. Ще научите основите на програмирането с Python, ще работите с реални данни и ще създавате уеб приложения, които използват AI технологии. Присъединете се и станете част от бъдещето на технологиите!

Учебен план по седмици

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:

  1. Въведение в курса и целите му
  2. История и еволюция на AI
  3. 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:

  1. Въведение в Python и неговите предимства
  2. Основни синтаксиси и конструкции
  3. 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:

  1. Въведение в науката за данни и основните й принципи
  2. Типове данни и тяхното значение
  3. 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:

  1. Преглед на различни алгоритми за ML (регресия, класификация, клъстеризация)
  2. Критерии за избор на алгоритъм
  3. 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:

  1. Въведение в предобработката на данни
  2. Техники за почистване и трансформация на данни
  3. 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:

  1. Въведение в регресия и класификация
  2. Линейна регресия и логистична регресия
  3. 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:

  1. Въведение в метриките за оценяване на модели (точност, прецизност, иззичност)
  2. Преглед на кръстосаната валидация
  3. 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:

  1. Въведение в невронните мрежи
  2. Архитектури на дълбоки невронни мрежи
  3. 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:

  1. Въведение във внедряването на ML модели
  2. Преглед на инструменти и техники за внедряване
  3. 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:

  1. Въведение в големите данни
  2. Преглед на облачни технологии и техните предимства
  3. 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:

  1. Въведение в етиката в AI
  2. Преглед на социалните и икономически въздействия на AI
  3. 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:

  1. Преглед на изискванията за завършващия проект
  2. Подготовка на проектите
  3. 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

 

 
 

 

  • 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.
Модул 1

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.

Модул 2

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!

Модул 3

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?

Модул 4

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?

Модул 5

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.

Модул 6

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?

Модул 7

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?

Модул 8

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

    Информация за курса
    Споделяне в социални мрежи

    Свържете се с нас:

      Свържете се с нас:

      Days
      Hours
      Minutes