Ievads mākslīgajā intelektā
Kurss ir pieejams pašmācībai portālā https://balticinternships.eu/. Lūdzu, sekojiet vebināra ierakstiem un papildmateriāliem, lai apgūtu kursu pašmācības ceļā. Tāpat aicinām izmantot iespēju nokārtot testu un saņemt kursa apgūšanas sertifikātu.
1. vebinārs: Ievads mākslīgajā intelektā
- Ievads mākslīgajā intelektā: vēsture, definīcija, mākslīgā intelekta veidi
- Mākslīgā intelekta lietojumi un reālie piemēri
- Atšķirība starp mākslīgo intelektu, mašīnmācīšanos un padziļināto mācīšanos
- Mākslīgā intelekta metožu pārskats: uz noteikumiem balstītas sistēmas, ekspertu sistēmas un tradicionālie mašīnmācīšanās algoritmi
- Lasāmie materiāli: Raksti vai grāmatu nodaļas par mākslīgā intelekta vēsturi, veidiem un pamatjēdzieniem
2. vebinārs: Mašīnmācīšanās
- Ievads mašīnmācībā: uzraudzīta, neuzraudzīta un pastiprināta mācīšanās
- Datu tīrīšana un pārveidošana
- Populārākie mašīnmācīšanās algoritmi: lēmumu koki, k-tuvākie kaimiņi, Naive Bayes un atbalsta vektori.
- Ievads regresijas metodēs: lineārā regresija, loģistiskā regresija.
- Modeļa novērtēšanas metodes
3. vebinārs: Ievads mākonī bāzētos mākslīgā intelekta pakalpojumos un Microsoft Azure
- Ievads mākonī bāzētos mākslīgā intelekta pakalpojumos
- Pārskats par Microsoft Azure un tā mākslīgā intelekta piedāvājumiem
- Ievads Azure Machine Learning Designer: vilkšanas un nomešanas saskarne mašīnmācīšanās modeļu izveidei, testēšanai un pielietošanai
- Mākslīgā intelekta modeļu veidošana, izmantojot Azure Machine Learning Designer: reāli piemēri un demonstrācijas soli pa solim
4. vebinārs: Praktiskas mākslīgā intelekta lietojumprogrammas, izmantojot Microsoft Azure
- Turpinājums soli pa solim demonstrācijām ar Azure Machine Learning Designer
- Mākslīgā intelekta modeļu ieviešana: ieviešanas iespējas, versiju kontrole un uzraudzība
- Labākās prakses un apsvērumi mākslīgā intelekta ieviešanai, izmantojot Azure Machine Learning Designer