1.1 Ce înseamnă Machine Learning?

1.2 Aplicații ce folosesc Machine Learning

1.3 Tipuri de învățare

• Procesul de învățare
• Învățare supervizată
• Învățare nesupervizată (Clustering)
• One vs All

1.4 Împărțirea datelor

• Train/Validation/Test
• Conceptul de overftitting
• Conceptul de underfitting
• Metode de combatere overfitting/underfitting

1.5 Evaluarea Modelului de clasificare:

• Acuratețe, precizie și recall

2.1 Descrierea algoritmului

2.2 Funcția de cost

2.3 Ordinary Least Square

2.4 Gradient Descent

2.5 Evaluarea Modelului de Regresie

2.6 Seturi de date

3.1 Descrierea algoritmului

3.2 Funcția sigmoidă

3.3 Estimarea parametrilor

3.4 Realizarea de predicții

3.5 Clasificare multiclasă

4.1 Descrierea Algoritmului

4.2 Pașii algoritmului

4.3 Avantaje/Dezavantaje

4.4 Sfaturi pentru a îmbunătăți algoritmul (Best practices)

5.1 Ce este NLP?

5.2 Tokenizare

5.3 Stop words

5.4 Procedeele de Stemming și Lemmatizare

5.5 Name Entity Recognition

5.6 N-Grame

5.7 TF-IDF

5.8 Wordnet

6.1 Descrierea arborilor decizionali

6.2 Criterile de divizare ale arborilor decizionali

6.3 Măsuri de selecție a atributelor din arborii de decizie

6.4 Manipularea caracteristicilor categorice și numerice

6.5 Tăierea arborilor decizionali

6.6 Metode de ansamblu

6.7 Modele interpretabile și explicabile

6.8 Manipularea valorilor lipsă

6.9 Date aberante și date bruiate (Outliers and Noisy Data)

6.10 Scalabilitate

6.11 Evaluare și măsurători de performanță

7.1 Descrierea Algoritmului

7.2 Hard margin

7.3 Kernel Trick

7.4 Soft margin

7.5 Cross Validation

7.6 Avantaje/Dezavantaje

8.1 Descrierea Algoritmului

8.2 Pașii Algoritmului

8.3 Cum se alege parametrul ‘k’

8.4 Dezavantajele Algoritmului

9.1 Ce sunt rețelele neuronale?

9.2 Rețele neuronale feedforward

9.3 Rețele neuronale recurente (RNN)

9.4 Rețele neuronale convoluționale (CNN)

9.5 Rețele neuronale generative (GAN)

9.6 Rețele neuronale cu atenție (Attention-based Neural Networks)

10.1. Ce este Overfitting?

10.2 Ce este Underfitting?

11.1 Ce sunt Parametrii de evaluare (Evaluation Metrics)

11.2 Exemplificare matematică pentru Acuratețe (Accuracy)

11.3. Exemplificare matematică pentru Matricea de confuzie (Confusion Matrix)

11.4 Exemplificare matematică și exemplul pentru Precizie (Precision)

11.5 Exemplificare matematică cu exemplu pentru Recuperare (Recall sau Sensitivity)

11.6 Exemplificare matematică pentru F1-score

11.7 Exemplificare matematică pentru Aria de sub curba ROC (Receiver Operating Characteristic)

11.8 Exemplificare matematică pentru Eroare absolută medie (Mean Absolute Error – MAE)

11.9 Exemplificare matematică pentru Eroare pătratică medie (Mean Squared Error – MSE)

11.10 Exemplificare matematică pentru R-squared (R pătrat)

11.11 Exemplificare matematică cu exemplu pentru Log Loss (Cross-Entropy Loss)

12.1 Cum se prelucrează datele în machine learning?

12.2 Exemplificare matematică pentru Tratarea valorilor lipsă (Handling Missing Values)

12.3 Exemplificare matematică pentru Eliminarea datelor redundante sau irelevante (Eliminating redundant or irrelevant data)

12.4 Exemplificare matematică pentru Codificarea caracteristicilor categorice (Encoding Categorical Variables)

12.5 Exemplificare matematică Scalarea caracteristicilor (Feature Scaling)

12.6 Exemplificare matematică pentru Gestionarea datelor dezechilibrate (Managing unbalanced data)

12.7 Exemplificare matematică pentru Redimensionarea sau redimensionarea datelor (Resizing or resizing data)

12.8 Exemplificare matematică pentru Gestionarea datelor de tip timp (Time Series Data)