Algorytmy sztucznej inteligencji w Big Data-wykład WSE-BD-ASIwBD(I)-w

1. Wprowadzenie do Big Data – historia i rozwój Big Data, definicja i kluczowe wyzwania, zastosowania w różnych branżach.
2. Pozyskiwanie danych w Big Data – algorytmy webcrawlingu, zbieranie danych z internetu, mechanizmy ekstrakcji informacji.
3. Webscraping – metody pobierania danych ze stron internetowych, biblioteki do scrapowania, kwestie etyczne i prawne.
4. Architektura transformerów – omówienie budowy i działania modeli opartych na mechanizmie uwagi.
5. Generative Pretrained Transformer (GPT) – analiza modelu językowego, jego zastosowania i rozwój.
6. BERT i jego rola w przetwarzaniu danych tekstowych – zastosowania w NLP, struktura i działanie modelu.
7. Algorytmy rozpoznawania tekstu (Text Mining) – ekstrakcja informacji z dokumentów, analiza sentymentu, kategoryzacja tekstu.
8. Algorytmy indukcyjne: drzewa klasyfikacyjne – podstawy teorii drzew decyzyjnych, przykłady zastosowań.
9. Drzewa regresyjne – algorytmy regresyjne i analiza predykcyjna na podstawie danych.
10. Sztuczne sieci neuronowe – podstawy działania, struktura perceptronów i głębokiego uczenia.
11. Sieci Kohonena – samoorganizujące się mapy cech i ich zastosowania.
12. Maszyny wektorów nośnych (SVM) – klasyfikacja i regresja przy użyciu SVM, zastosowania w Big Data.
13. SVM – klasyfikacja – szczegółowe omówienie metod klasyfikacji.
14. SVM – regresja – zastosowanie maszyn wektorów nośnych w analizie predykcyjnej.
15. Podsumowanie – kluczowe wnioski, omówienie zastosowań poznanych metod w praktyce.