Методи и алатки во Вештачката Интелигенција

  1. Дефиниција на експертски системи
  2. Компоненти на експертски системи
  3. Примери за експертски системи

  1. Учење од примери
  2. Видови на учење
    1. Учење под надзор (Supervised Learning)
    2. Учење без надзор (Unsupervised Learning )
    3. Зајакнато учење (Reinforcement Learning)
  3. Практични алатки за Вештачка Интелигенција / машинско учење
    1. Околина при програмирање
    2. Графички алатки, Konstanz Information Miner (KNIME)
  4. Регресија
    1. Униваријатна регресија
    2. Мултиваријатна регресија
    3. Квалитет на регресионите модели
  5. Класификација
    1. Логистичка регресија
    2. Дрва на одлучување
    3. Квалитет на класификатори
  6. Пристрасност и варирање
  7. Издвојување на карактеристики
  8. “Ensemble” учење
    1. Метод на случајна шума
    2. Метод на регресиони дрва
    3. Метод на појачани дрва
    4. Хиперпараметар -“Тјунирање” во машински учење

  1. Невронски мрежи
    1. Неврони во биологија
    2. Перцептрон
    3. Пропагација наназад и функција на загуба
    4. Конволутивни невронски мрежи (Convolutional Neural Networks – CNN)
    5. Рекурентни невронски мрежи (Recurrent Neural Networks – RNN)
  2. Длабоко учење: примери и случаи на употреба
  3. Практични аспекти на длабокото учење
    1. Рамки
    2. Обележување и зголемување
    3. Стандардни модели и преносно учење (Standard Models and Transfer Learning)

  1. Примери за задачи поврзани со обработка на природен јазик (Natural Language Processing – NLP)
  2. Предобработка на текст
  3. Вградувања
  4. Трансформери
  5. Големи модели на јазици

  1. Програмски средини за Вештачка интелигенција / машинско учење
    1. Jupyter бележник + Python, Anaconda
    2. Рамки: Scikit-Learn, Tensorflow, PyTorch, Keras и др.
  2. Вештачка интелигенција / машинско учење без кодирање
    1. Аналитичка платформа KNIME
    2. Други

Вовед во Вештачка Интелигенција

Применета методологија на вештачка интелигенција