Team Categories: Praktycy

Podczas swoich zajęć dotyka następujących treści: Podstawy uczenia maszynowego Idea i cele uczenia maszynowego. Uczenie nadzorowane i nienadzorowane Wstępne przetwarzanie danych na potrzeby uczenia maszynowego Klasyfikacja danych. Rodzaje klasyfikatorów Klasyfikatory leniwe (algorytm k-NN, naiwny klasyfikator Bayesa) Klasyfikatory oparte o model (sztuczne sieci neuronowe, drzewa decyzyjne, maszyny wektorów nośnych) Ocena...

Podczas swoich zajęć dotyka następujących treści: Teoretyczne podstawy reprezentacji wiedzy Podstawowe pojęcia i dystynkcje semiotyczne Reprezentacja wiedzy jako tworzenie modelu rzeczywistości “zrozumiałego” dla maszyn Logika opisowa Języki reprezentacji wiedzy: RDF, RDFS, OWL i SKOS Język kwerend SPARQL Zasady FAIR Ontologia w praktyce Edytor ontologiczny Protege Język kwerend SPARQL w...

Podczas swoich dotyka następujących treści: Czym jest programowanie Napisy, liczby i zmienne Przepływ sterowania (klauzule warunkowe, pętle) Struktury danych (listy, słowniki, krotki, zbiory) Funkcje Klasy i ich egzemplarze, atrybuty klas Czytanie plików Testowanie kodu Rozproszony system kontroli wersji kodu Praca z API Praca z pakietami Numpy i Pandas Wizualizacja...