Машинне навчання та навчання з підкріпленням зі статистикою

Основи статистики (близько 6 днів)

Основи теорії вимірювання (генеральна сукупність, вибірка, типи вибірок, вимірювання, рівні шкали)

Одновимірна описова статистика (частотні розподіли, центральні міри, міри дисперсії, стандартизація, гістограми, стовпчикові діаграми, кругові діаграми, лінійні діаграми, блок-діаграми)

Двовимірна описова статистика (міри кореляції, коефіцієнти кореляції, перехресні таблиці, діаграми розсіювання, згруповані гістограми)

Основи індуктивної вивідної статистики (розподіли ймовірностей, нормальний розподіл, вибірковий розподіл середнього, тест на значущість, перевірка нульової гіпотези, рівень значущості, розмір ефекту, оцінка параметрів, довірчі інтервали, гістограми помилок, аналіз потужності, розмір вибірки)

Підготовка даних та очищення даних за допомогою відповідного програмного забезпечення

Описовий аналіз

Візуалізація статистичних результатів

Аналіз та інтерпретація статистичних результатів за допомогою штучного інтелекту

Методи для порівняння двох груп (приблизно 5 днів)

z-тест, t-тест для однієї вибірки

t-тест для незалежних і пов'язаних вибірок

Претест-посттестові дизайни з двома групами

допоміжні тести значущості (тест Андерсона-Дарлінга, тест Райана-Джойнера, тест Левен, тест Бонетта, тест значущості для кореляцій)

Непараметричні методи (критерій Вілкоксона, критерій знаків, критерій Манна-Уітні)

Аналіз непередбачуваності (біноміальний тест, точний тест Фішера, тест хі-квадрат, перехресні таблиці, міри асоціації)

Інтерпретація результатів тестування

Інтерпретація результатів за допомогою штучного інтелекту

Основи регресійного аналізу (близько 2 днів)

Лінійна регресія

Інтерпретація моделей

Інтерпретація моделей за допомогою штучного інтелекту

Кореляційний аналіз

Методи порівняння середніх значень декількох груп (приблизно 3 дні)

Однофакторний та двофакторний дисперсійний аналіз (ANOVA)

Постфактум аналіз

Інтерпретація групових відмінностей

Багатофакторний дисперсійний аналіз (загальна лінійна модель)

Фіксовані, випадкові, перехресні та вкладені фактори

Методи множинних порівнянь (Tukey-HSD, Dunnett, Games-Howell)

Аналіз взаємодії

Аналіз потужності для дисперсійного аналізу

Вступ до планування експерименту (ПЕ) (приблизно 1 день)

Повні та частково факторні експериментальні плани

Робота над проектом (близько 3 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту

Вступ до машинного навчання та робочого процесу ML (приблизно 3 дні)

Основи, сфери застосування та види машинного навчання

Систематизація сучасних методів штучного інтелекту та машинного навчання

Робочий процес машинного навчання з використанням scikit-learn

Дані для навчання, валідації та тестування

Недостатнє пристосування, надмірне пристосування та оцінка моделей

Перехресна валідація

Підготовка даних та інженерія ознак (приблизно 2 дні)

Якість даних та попередня обробка даних

Масштабування, нормалізація та кодування

Інженерія ознак та вибір ознак

Робота з відсутніми значеннями, випадаючими значеннями та незбалансованими наборами даних

Навчання з наглядом — регресія та класифікація (приблизно 5 днів)

Методи регресії та класифікації

Лінійні та регуляризовані моделі

Методи, засновані на відстані, ймовірності та деревах

Ансамблеві та бустінгові методи

Порівняння моделей та оптимізація гіперпараметрів

Показники оцінки та ймовірнісні прогнози

Важливість ознак та пояснювана штучна інтелігенція 

Автономне навчання (приблизно 2 дні)

Зменшення розмірності та виокремлення ознак

Методи кластеризації та оцінка результатів кластеризації

Виявлення аномалій

Аналіз часових рядів та прогнози (приблизно 1 день)

Основи та аналіз даних часових рядів

Методи прогнозування та машинне навчання для часових рядів

Нейронні мережі та сучасний штучний інтелект (приблизно 2 дні)

Основи нейронних мереж та глибокого навчання

Машинне навчання для текстових даних та обробка природної мови

Базові моделі, великі мовні моделі та генеративний штучний інтелект

Розгортання моделей машинного навчання (приблизно 1 день)

Зберігання та надання навчених моделей

Розробка простих додатків машинного навчання

Інтерфейси та платформи для моделей машинного навчання

Робота над проектом (приблизно 4 дні)

Закріплення вивченого матеріалу

Презентація результатів проекту

Вступ до навчання з підкріпленням (приблизно 1 день)

Визначення та основні поняття

Відмінності від інших методів навчання

Сфери застосування та приклади

Марковські процеси прийняття рішень (МПР) (приблизно 2 дні)

Визначення та властивості ПДП

Функції цінності та політика

Рівняння Беллмана

Підхід динамічного програмування

Q-навчання (приблизно 2 дні)

Визначення та алгоритм

Розвідка проти експлуатації

Властивості збіжності та оптимізації

Застосування в іграх, робототехніці та інших сферах

Глибоке навчання з підкріпленням (близько 3 днів)

Глибоке Q-навчання

Глибокі детерміновані градієнти політики (DDPG)

Акторно-критичні методи

Методи градієнта політики

Поглиблені теми (приблизно 4 дні)

Навчання з підкріпленням на основі моделей

Багатоагентне навчання з підкріпленням

Зворотне навчання з підкріпленням

Метанавчання з підкріпленням

Практичне застосування (близько 3 днів)

Реалізація алгоритмів навчання з підкріпленням

Застосування до вибраних проблем та кейсів

Оцінка та налаштування алгоритмів

Підсумки та перспективи (приблизно 2 дні)

Короткий виклад найважливіших концепцій та результатів

Виклики та майбутні розробки в навчанні з підкріпленням

Робота над проектом (близько 3 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту