Datu kopu izmantošana

1. kā iespējams veikt MI pašapmācīšanos;
2. MI algoritmu izmantošana, lai no esošajām apmācību datu kopām automātiski veidotu jaunas kopas, kas ir uzlabotas;
3. cēloņsakarību atklāšana un izmantošana.

Mācību programma

1. pārskats par mašīnmācīšanas metodēm un datorredzes uzdevumiem;
2. modeļu izvēle, to apmācība un testēšana dažādiem datorredzes uzdevumiem;
3. datu kopu izmantošana, savākto datu kopu modelēšana un vispārināšana;
4. prognožu simulēšana;
5. optimizācijas veikšana;
6. dažādi mašīnmācīšanās pielietojuma piemēri.

Lektors

Maksims Ivanovs

Mg. sc. cogn. Strādā Elektronikas un datorzinātņu institūtā kopš 2019. gada. Ieguvis bakalaura grādu angļu filoloģijā ar izcilību 2015. gadā Latvijas Universitātē.Turpinājis studijas kognitīvo zinātņu maģistrantūrā Osnabrikas Universitātē Vācijā, specializējoties kognitīvajā psiholoģijā un neirobioloģijā. Maģistrantūras studiju laikā bijis DAAD stipendiāts. Izstrādājis maģistra darbu par žurku motorkorteksu Maksa Planka institūta pētnieciskajā grupā In Silico Brain Sciences Caesar pētnieciskā centrā Bonnā. Pēc maģistra grāda iegūšanas piedalījies Bernšteina neirobioloģijas centra un Volkswagen Fonda organizētajā SmartStart2 pirmsdoktorantūras programmā skaitļošanas neirobioloģijā, strādājot pie projektiem neirobioloģijas un dziļās mašīnmācīšanās jomā. Pašlaik studē LU datorzinātņu doktorantūrā, izstrādājot promocijas darbu par sintētisko datu ģenerēšanu dziļo mākslīgo neironu tīklu apmācībai. Zinātniskās intereses ir saistītas ar dziļo mašīnmācīšanos un mākslīgo intelektu kopumā, kā arī ar to, kā šo zinātnes lauciņu attīstība ietekmē sabiedrību.

Plašāka informācija šeit.

Ieguvumi

• Pamatzināšanas par tēmu un iespēja iegūt paplašinātas zināšanas;
• Informācija, ar kādām problēmām saskaramies un kā šīs problēmas risināt;
• Dažādas sadarbības iniciatīvas, ieskaitot jauno tehnoloģiju attīstīšanu un testēšanu;
• Ieteikumi, ko un kā pareizi darīt