Primijenjena metodologija UI

  1. Razumijevanje kako analiza radi
  2. Učinkovito korištenje analize podataka uz strojno učenje
  3. Određivanje što UI može postići

  1. Proces znanosti o podacima
  2. Strojno učenje u poslovanju
  3. Hvatanje podataka
  4. Pripremanje podataka
  5. Vizualizacija podataka
  6. Zaključivanje
  7. Inženjering podataka
  8. Pristup temeljen na pravilima nasuprot pristupa znanosti o podacima

  1. Uvod u projektiranje sustava UI
    1. Poslovni i ML ciljevi
    2. Zahtjevi sustava UI
    3. Iterativni proces
    4. Problemi formuliranja problema UI
    5. Um protiv podataka
  2. Osnove podatkovnog inženjerstva
    1. Izvori podataka
    2. Formati podataka
    3. Modeli podataka
    4. Strojevi za pohranu i obradu podataka
    5. Načini protoka podataka
    6. Skupna obrada u odnosu na strujnu obradu
  3. Podaci za učenje
    1. Uzorkovanje
    2. Označavanje
    3. Neravnoteža distribucije klasa
    4. Povećanje podataka
  4. Inženjerstvo značajki
    1. Naučene značajke naspram projektiranih značajki
    2. Uobičajene operacije inženjerstva značajki
    3. Curenje podataka
    4. Inženjerstvo dobrih značajki
  5. Razvoj modela i odspojeno vrednovanje
    1. Razvoj i učenje modela
    2. Odspojeno vrednovanje modela
  6. Usluga implementacije modela i predviđanja
    1. Mitovi o implementaciji strojnog učenja
    2. Skupno predviđanje u odnosu na online predviđanje
    3. Sažimanje modela
    4. ML u oblaku i na rubu
  7. Pomaci distribucije podataka i praćenje
    1. Uzroci kvarova sustava UI
    2. Pomaci distribucije podataka
    3. Praćenje i osmotrivost
  8. Kontinuirano učenje i testiranje u produkciji
    1. Kontinuirano učenje
    2. Testiranje u produkciji
  9. Infrastruktura i alati za MLOps
    1. Pohrana i računanje
    2. Razvojno okruženje
    3. Upravljanje resursima
    4. Platforma ML
    5. Izgradnja nasuprot kupnji
  10. Ljudska strana UI
    1. Korisničko iskustvo
    2. Struktura tima
    3. Odgovorna UI

  1. Uvod u XAI
  2. Definiranje metoda i pristupa objašnjavanju
  3. Procjena kvalitete metoda objašnjivosti
  4. Vrste metoda objašnjivosti modela
  5. Metode ekstrakcije znanja
  6. Metode temeljene na utjecaju
  7. Metode temeljene na primjerima

  1. Profil inženjera UI
  2. Bitni faktori
    1. Razjašnjavanje razlika između podatkovnog znanstvenika i inženjera UI
    2. Fokusiranje na jednostavnost u svim poslovima na projektu kako bi se smanjio rizik
    3. Primjena agilnih osnova u UI projektnom radu
    4. Razlike i sličnosti između DevOps i MLOps
  3. Planiranje i obuhvat projekta
  4. Komunikacija i logistika projekta
  5. Planiranje i istraživanje projekta UI
  6. Testiranje i vrednovanje projekta UI
  7. Prelazak s prototipa na MVP

Metode i alati u AI

Primijenjena UI u znanosti