Zintegrowany Rejestr Kwalifikacji

a) omawia zagadnienie ML, b) omawia zastosowania i możliwości implementacji ML w wybranych domenach problemowych (np. rozpoznawanie mowy), c) omawia zastosowania i możliwości implementacji ML w wybranych obszarach (np. gałęzie gospodarki, sektory, obszary badań), d) wyjaśnia różnice pomiędzy różnymi rodzajami zadań ML (np. klasyfikacja, regresja, klastrowanie, redukcja wymiarowości, wykrywanie anomalii, optymalizacja), e) omawia mocne i słabe strony metod / popularnych algorytmów ML (np. klastrowanie metodą k-średnich, random forest, SVM, sieci neuronowe, XGBoost, SVD/PCA, optymalizacyjne) f) wyjaśnia różnice pomiędzy strategiami uczenia się: modele nadzorowane/nienadzorowane / uczenie przez wzmocnienie, g) omawia mocne i słabe strony metod uwzględniających wiele algorytmów (ensemble methods) i podaje przykłady takich metod, h) omawia mocne i słabe strony algorytmów typu AutoML, i) omawia pojęcia overfittingu i underfittingu, j) omawia mocne i słabe strony miary oceny jakości modeli (np. krzywa ROC, AUC, R^2), k) omawia mocne i słabe strony strategii kontroli jakości algorytmu ML (np. warianty resamplingu: kroswalidacja, out-of-bag bootstrap, subsampling/kroswalidacja Monte- -Carlo), l) omawia zagadnienie logiki rozmytej w ujęciu uczenia maszynowego