Didžiųjų duomenų mokykla yra tiek teorinis, tiek praktinis mokslinis renginys, orientuotas į gilų teorinį pagrindą ir įgūdžių tobulinimą praktinių seminarų metu. Renginys skirtas pramonės praktikams, mokslininkams, doktorantams ir magistrantams. Renginio metu dalyviams suteikiama galimybė įgyti žinių iš įvairių su didžiaisiais duomenimis susijusių temų, bendraujant su srities specialistais. Tos žinios sutvirtinamos vystant taikymo įgūdžius per praktines sesijas.
Atskirti medžių modelius - sprendimų medžius (Decision Trees), atsitiktinius miškus (Random Forests), sustiprintus medžius (Boosted Trees). Tai vieni populiariausių metodų, skirtų prognoziniams modeliams iš duomenų mokytis. Dirbti su dideliais duomenų rinkiniais ir naudoti interpretavimo metodus. Atskirti tiesioginio ryšio neuroninius ir rekurentinius neuroninius tinklus, taip pat LSTM tinklus. Taikyti RNN natūralios kalbos apdorojimui (nuotaikų analizei; klausimų ir atsakymų analizei) ir teksto generavimui. Dirbti programavimo kalba Python ir susipažinsite su laiko eilutėms. Klasifikuoti duomenis naudojant atraminių vektorių mašiną (Support vector machine).
tel. +370 37 300 303
el. p. alina.kotkeviciene@ktu.lt
Dr. Mindaugas Kavaliauskas (KTU Matematikos ir gamtos mokslų fakultetas, Lietuva) - įgijo matematikos mokslų daktaro laipsnį (2005 m.). Šiuo metu jis yra KTU docentas. Skaito paskaitas matematinės statistikos, laiko eilučių analizės ir duomenų gavybos temomis. Jo mokslinių interesų sritys - daugiamatė duomenų analizė, statistiniai modeliai, taikomoji matematika ir mašininis mokymasis.
Dr. Tomas Iešmantas (KTU Matematikos ir gamtos mokslų fakultetas, Lietuva) - šiuo metu KTU docentas. Pagrindinės jo mokslinių tyrimų sritys - gilaus mokymosi (deep learning) metodų taikymas medicinos diagnostikoje, taip pat dirbtiniu intelektu pagrįstų metodų naudojimas įvairiose pramonės srityse. Mokslininkas dėsto magistrantams Matematinius dirbtinio intelekto metodus, Duomenų analizę, Duomenų gavybos metodus, Mašininio mokymosi metodus bei programavimą duomenų apdorojimui ir vizualizacijai.
Dr. Michael Fairbank (Esekso universitetas, Jungtinė Karalystė) - kompiuterių mokslo dėstytojas Esekso universitete. Jis yra aktyvus mašininio mokymosi tyrėjas, paskelbęs publikacijas pastiprinto mokymosi (reinforcement learning), gilaus mokymosi (deep learning) ir neuroninių tinklų (neural networks) temomis. Dirbo kompiuterių konsultantu ir matematikos mokytoju. Jis aistringai domisi viskuo, kas susiję su kompiuterija, matematika ir dirbtiniu intelektu.
Dr. Wannes Meert (KU Leuvenas, Belgija) - KU Leuveno universitete įgijo Elektrotechnikos inžinerijos, mikroelektronikos (2005 m.), Dirbtinio intelekto (2006 m.) ir Informatikos mokslų daktaro (2011 m.) laipsnius. Šiuo metu jis yra KU Leuveno universiteto DTAI tyrimų grupės mokslinių tyrimų vadovas. Jo darbas orientuotas į mašininio mokymosi, dirbtinio intelekto ir anomalijų taikymą.
