Mokymų teikėjo pateikta informacija
Programa „Dirbtinis intelektas ir Python pagrindai“ skirta asmenims, siekiantiems įgyti praktinius programavimo, duomenų analizės ir dirbtinio intelekto (DI) taikymo gebėjimus. Programa apima visą mokymosi spektrą – nuo Python programavimo kalbos pagrindų iki pažangių mašininio mokymosi ir giliojo mokymosi technologijų (TensorFlow, Keras, scikit-learn) taikymo realiuose projektuose.
Mokymai suteikia tvirtą pagrindą kuriant duomenimis grįstus sprendimus, analizuojant duomenų rinkinius, projektuojant ir administruojant duomenų bazes bei kuriant automatizuotas sistemas.
Baigę šią programą dalyviai gebės:
-kurti ir testuoti Python programas;
-taikyti mašininio mokymosi metodus verslo sprendimams optimizuoti;
-projektuoti duomenų bazes ir analizuoti duomenis naudojant Pandas, NumPy, Matplotlib;
-suprasti neuroninių tinklų architektūras (CNN, RNN, LSTM) ir jų praktinį taikymą;
-atsakingai kurti DI sprendimus.
—
| Temos pavadinimas | Trumpas temos aprašymas |
|---|---|
| 1. Python I dalis | programavimo situacijose. Kursas apims Python sintaksę, pagrindines koncepcijas, kintamuosius ir jų tipus, bazines struktūras kaip sąrašai, sąlygos sakiniai ir ciklai, bei funkcijos. |
| 2. Python II dalis | Mokymų metu bus nagrinėjami objektinio programavimo principai, įskaitant klasių kūrimą ir paveldėjimą ir naudojimąsi Python standartinėmis bibliotekomis duomenų manipuliavimui. Kursas baigsis praktinėmis užduotimis, per kurias dalyviai taikys įgytas žinias kurdami projektus ir spręsdami problemas, ruošiantis pažengusiems kursams kaip "Duomenų analizė" ir "Dirbtinis intelektas bei mašininis mokymasis". |
| 3. Python III dalis | Šiame kurso etape dalyviai gilinasi į pažangesnes Python programavimo kalbos sritis. Mokymų metu bus nagrinėjami išimčių valdymo mechanizmai, leidžiantys efektyviai tvarkytis su klaidomis programose. |
| 4. Python IV dalis | Bus išmokstama naudotis moduliais ir paketais, kas suteiks galimybę integruoti išorinį funkcionalumą į savo projektus. Dėmesys bus skiriamas dekoratoriams, generatoriams ir iteratoriams, kurie leidžia rašyti lankstesnį ir efektyvesnį kodą. Dalyviai taip pat supažindinami su asinchroniniu programavimu, testavimu ir programavimo architektūromis, kas padės kurti kokybiškesnes ir patikimesnes aplikacijas. |
| 5. Duomenų analizė | Duomenų analizės skyriuje kursų dalyviai išmoks naudoti Pandas ir NumPy bibliotekas duomenų valymui, apdorojimui ir analizei. Bus nagrinėjamos duomenų vizualizacijos technikos, pasitelkiantMatplotlib ir Seaborn bibliotekas, leidžiančias atvaizduoti duomenis aiškiai ir suprantamai. Taip pat kursas apims duomenų klasifikavimo ir prognozavimo pagrindus, naudojant paprastus mašininio mokymosi modelius. Tai suteiks dalyviams tvirtą pagrindą duomenų analizės srityje ir paruoš juos sudėtingesniems uždaviniams. |
| 6. Duomenų bazių pagrindai I dalis | Ši dalis skirta suteikti dalyviams pagrindines žinias apie duomenų bazių valdymo sistemas (DBMS), su ypatingu dėmesiu SQL kalbai ir duomenų bazių integracijai su Python. |
| 7. Duomenų bazių pagrindai II dalis | Kursas padės dalyviams suprasti, kaip efektyviai saugoti, valdyti ir prieiti prie duomenų, kurie yra būtini bet kokio dydžio projektams ir aplikacijoms. |
| 8. Mašininis mokymasis I dalis | Šioje kurso dalyje dėmesys bus skiriamas mašininio mokymosi (ML) pagrindams ir metodams, suteikiant studentams būtiną supratimą ir įgūdžius, reikalingus modelių kūrimui ir taikymui. Dalyviai išmoks naudoti scikit-learn biblioteką, kuri yra viena populiariausių Python bibliotekų mašininiam mokymuisi, apimant tiek prižiūrimąjį (supervised) mokymasį, tiek neprižiūrimajį (unsupervised) mokymąsi. |
| 9. Mašininis mokymasis II dalis | Mokymu metu bus nagrinėjami pagrindiniai ML modeliai, tokie kaip linijinė ir logistinė regresija, sprendimų medžiai, atsitiktinių miškų algoritmai ir palaikymo vektorių mašinos (SVM). |
| 10. Neuroniniai tinklai ir gilusis mokymasis | Ši kurso dalis skirta supažindinti dalyvius su neuronalinių tinklų ir giliojo mokymosi (deep learning, DL) konceptais. Pradėsime nuo pagrindų – kas yra dirbtiniai neuronai, kaip jie sujungiami į tinklus, ir kaip šie tinklai mokomi atpažinti raštus, garsus, vaizdus ir kitus sudėtingus duomenų tipus. Dalyviai išmoks naudoti TensorFlow ir Keras, dvi pagrindines bibliotekas, kurios palengvina DL modelių kūrimą ir mokymą. Bus detaliai nagrinėjami pagrindiniai DL modeliai, įskaitant konvoliucinius (CNN) ir rekurentinius (RNN) neuronalinius tinklus, kurie yra itin svarbūs vaizdo atpažinimo ir natūralios kalbos apdorojimo (NLP) užduotims. Kursas apims laiko eilučių analizę ir modelius kaip (LSTM) ir (GRU). |
| 11. Egzistuojantys sprendimai ir teisiniai bei etiniai reikalavimai | Šiame kurso segmente dalyviai susipažins su įvairiais dirbtinio intelekto (DI) taikymo atvejais, įskaitant pažangias asistentų sistemas ir automatizuotą klientų aptarnavimą, bei sužinos apie DI projektų teisinius ir etinius aspektus. Kursas apims sėkmingų DI sprendimų analizę ir jų poveikį verslui, sveikatos priežiūrai bei kitoms sritims. Teisiniai ir etiniai klausimai, tokie kaip privatumas, duomenų apsauga ir intelektinė nuosavybė, bus aptarti kartu su etinėmis dilemomis, susijusiais su automatizuoto sprendimų priėmimo poveikiu ir atsakomybe. Dalyviai išmoks, kaip svarbu integruoti etines vertybes ir laikytis teisinių reikalavimų, kuriant DI sprendimus. Kursas taip pat nagrinės tarptautinius reglamentus ir skirtingas šalių politikas DI reguliavimo srityje, paruošdamas studentus atsakingam DI technologijų kūrimui ir taikymui. |
| 12. Minkštieji įgūdžiai | CV, LinkedIn, darbo pokalbio dirbtuvės, inviduali veikla ir mokesčiai, IT specialisto kompetencijos. |
—
—
Mokymosi programos trukmė: 656 akad. val.
Praktinio kontaktinio darbo trukmė: akad. val.
Teorinio kontaktinio darbo trukmė: akad. val.
Savarankiško darbo trukmė: akad. val.
Įgytų kompetencijų vertinimo sistema / skalė: 1-10
Tvarkaraščių duomenų nėra.
Labai dėkoju destytojui Justui, kuris labai nuoširdžiai dėstė mokymus. Mokėmės ne tik, kas yra programoje, bet ir daugiau.
Buvo naudinga ir įdomu. Ačiū!
Visas kursas buvo labai įdomus ir naudingas. Justo Kvederio gebėjimas aiškiai ir sistemiškai paaiškinti medžiagą klausytojams bei padėti jiems ją suprasti buvo itin profesionalus. Iš tikrųjų informacijos buvo labai daug, todėl, mano nuomone, norint išsamiai pereiti per visą pateiktą medžiagą, reikėtų papildomo laiko ir praktikos. Kursas turėtų trukti mažiausiai 8–10 mėnesių, kad būtų galima tinkamai įsigilinti į daugelį temų ir jų niuansus.
Justas Kvederis buvo puikus dėstytojas, savo srities ekspertas. Labai esu patenkintas jo mokymu. Ačiū.
Justas Kvederis puikus dėstytojas! Ačiū Justui už atsidavimą ir kantrybę mus mokant. Ypatingai vertinu Justo geranoriškumą, tinkamos mokslui aplinkos sukūrimą, profesionalumą, prieinamumą (buvo galimybė konsultuotis ir individualiai) bei atsakymus ir į papildomus klausimus. Dėl minkštųjų įgūdžių dalies, kuri buvo vesta kitų lektorių - pati medžiaga gera, įdomi ir naudinga, bet reikėtų, kad tų dalių lektorius bendrautų su auditorija daugiau mokymų metu.
Puikūs mokymai. Pasiūlyčiau lektoriui dažniau naudoti gyvus testus (pvz. Kahoot) žinioms įtvirtinti ir įsitraukimui per paskaitas pagerinti.
Manau, kad niekas neturi teisės žmogaus reikalauti dirbti šeštadieniais, todėl ši organizavimo pusė man nepatiko.