Duomenų analitika ir taikomasis mašininis mokymasis

Programa suteiks žinių ir praktinių gebėjimų sprendžiant inžinerinius, finansinius ir kitų sričių uždavinius bei problemas, taikant duomenų analitikos ir mašininio mokymosi metodus bei įrankius. Paskaitų metu lektoriai suteiks duomenų analizės žinių, padės vystyti gebėjimus naudojant įvairius mašininio mokymosi metodus skirtingo tipo (regresijos bei klasifikavimo) uždaviniams spręsti, supažindins su programinėmis priemonėmis, skirtomis tiems uždaviniams spręsti.

Data ir kaina derinama pagal poreikį.

Kursų trukmė – 40 ak. valandos.

Kalbos – Lietuvių,  Anglų

Lektoriai:

Tomas Iešmantas įgijo technologijos mokslų daktaro laipsnį 2016 metais (Rizikos ir patikimumo, Bajeso metodų taikymo srityje). Nuo to laiko intensyviai dirba giliojo mokymosi metodų tyrimų srityje, vykdo įvairius mokslo ir užsakomuosius projektus susijusius su giliojo (o taip pat ir mašininio) mokymosi metodų taikymu medicinoje, kalbos apdorojime, kreditingumo vertinime ir t.t. Taip pat Tomas Iešmantas Kauno technologijos universitete skaito paskaitas skaitmeninių vaizdų ir mašininio mokymosi metodų temomis.

Mindaugas Kavaliauskas baigė Taikomosios matematikos studijas Kauno technologijos universitete. Vėliau tęsė matematikos studijas doktorantūroje Matematikos ir informatikos institute Vilniuje. Magistro baigiamojo ir daktaro disertacijos darbo temos buvo susijusios su duomenų apdorojimu naudojanti statistinius metodus. Vėliau mokslinių interesų sritis plėtėsi ir iš esmės tiems patiems uždaviniams spręsti buvo pradėta naudoti ir mašininio mokymosi metodus. Dabar Mindaugas Kavaliauskas dėsto statistinės analizės, laiko eilučių analizės, duomenų tyrybos, mašininio mokymosi, atsitiktinių procesų analizės modulius ar jų dalis Kauno technologijos universitete ir dirba prie įvairių taikomųjų projektų.

Mantas Landauskas įgijo informatikos mokslų daktaro laipsnį 2016 metais Kauno technologijos universitete. Nuo 2019 m. jis yra docentas Matematinio modeliavimo katedroje ir Netiesinių sistemų matematinio tyrimo centro mokslo grupės narys. Jo tyrimų sritys apima netiesines dinamines sistemas ir skaitinę analizę. 2019 metais vadovavo jaunųjų tyrėjų projektui, kurio metu kurti dirbtinio intelekto metodai defektų aptikimui mechaninėse ir medicininėse sistemose.

Programa

1. Pirmadienis. Įvadas į duomenų analitika ir mašininį mokymąsi / Introduction to analytics and machine learing
   1. Duomenų analitika ir Python / Data analytics and Python (1);
   2. Darbo aplinkos įdiegimas ir nustatymas: Python 3, Jupyter Notebook / Installing and setting work environment: Python3, Jupyter Notebook (1);
   3. Darbo su Jupyter notebook niuansai / Peculiarities in working with Jupyter notebook (1);
   4. Apžvalginė duomenų analizė ir vaizdavimas su Python / Exploratory data analysis and data visualization with Python (2);
   5. Analitikos platforma Tableau / Tableau – a platform for analytics. (1);
   6. Dashboard kūrimas su Tableau / Making Dashboard with Tableau (2);

2. Antradienis. Python programavimo kalba
   1. Kintamieji ir jų tipai / Variables and types (2);
   2. Sąlyginiai sakiniai ir ciklai / Conditional statements and loops (2);
   3. Funkcijos ir objektinis programavimas / Functions and object-oriented programming (1);
   4. Python duomenų analitikos paketai / Python packages for data analytics (2);
   5. Praktinė užduotis / Practical task (1);

3. Trečiadienis. Mašininio mokymosi metodai 1
   1. Tiesinė regresija / Linear regression (1);
   2. Modelių reguliarizavimas: ridge, LASSO, elastic net / Model regularization: ridge, LASSO, elastic net (2);
   3. Modelio metaparametrų parinkimas/ Model metaparameter selection (1);
   4. Praktinė užduotis / Practical task (1);
   5. Klasifikavimo uždavinys ir paklaidos įvertinimas (1);
   6. Logistinė regresija / Logistic regression (1);
   7. Praktinė užduotis / Practical task (1).

4. Ketvirtadienis. Mašininio mokymosi metodai 2
   1. Tiesiniai ir kvadratiniai diskriminantiniai metodai / Linear and quadratic discriminant analysis (1);
   2. Sprendimų medžiai ir atsitiktinis miškas / Decision trees and random forest (1,5);
   3. Atraminių vektorių metodai / Support vector methods (1,5);
   4. AdaBoost ir XGBoost metodai / AdaBoost and XGBoost methods (1);
   5. Projektas / Project (3).

5. Penktadienis. Pažangios temos
   1. Dirbtiniai neuroniniai tinklai / Artificial neural networks (1);
   2. Sąsūkų neuroniniai tinklai / Convolutional neural networks (1);
   3. Objektų atpažinimas vaizduose / Object Recognition in Images (2);
   4. Praktinė užduotis / Practical task (1);
   5. Informacijos paieška teksto duomenyse / Information Retrieval from Text Data (2);
   6. Praktinė užduotis / Practical task (1);

Kontaktinis asmuo:

IMIC vadovas Darius Pupeikis. e. p. imic@ktu.lt