1. Susipažinimas su Python

• Susipažinimas su klase
• Python istorija, įdiegimas ant savo kompiuterio, pavyzdžiai
• Pirmoji Python programa „Hello World“, Python programavimo filosofija

2. Kodo versijavimas

• Kodo versijavimo pagrindai
• Git ir GitHub
• Git instaliavimas ir aplinkos paruošima, praktika

3. Python pagrindai

• int, float, boolean bei matematinės operacijos
• string, jų metodai, formatavimas, slice
• if sąlygos, input(), range(), for loop
• list, tuple, set
• dictionary
• while loop
• functions, None, lambda, recursion, local vs. global scope
• klaidų tipai, valdymas ir jų sukėlimas try/except, raise
• Tarpinis žinių patikrinimas
• Darbas su dokumentais, os ir pathlib bibliotekos, relative vs. absolute path, .txt, .json, .yaml formatai, pickle biblioteka
• Python paketų/bibliotekų valdymas, modulių importavima, Python virtualios aplinko, .exe generavimas iš .py script’o

4. Python objektinis programavimas

• klasės ir OOP apibrėžimas, pavyzdžiai
• Klasės deklaravimas, konstruktorius, destruktorius, klasės vienetų/objektų (instance) sukūrimas
• Klasės metodai ir jų kvietimai
• Klasės paveldėjimas, nauda ir trūkumai, polimorfizmas, abstrakčios klasės kūrimas
• klasės struktūrų ir metodų projektavimas
• Objektinio programavimo naudojimas duomenų analizėje, realus pavyzdžiai
• Klasės statinės savybės ir metodai

5. Python duomenų analitika

• Web scraping principai, BeautifulSoup ir kitos bibliotekos, teisiniai apribojimai ir etikos klausimai
• Tekstinių duomenų analizė, Regex
• Numpy biblioteka, darbas su daugiadimensiniais duomenimis, duomenų kaukės
• Duomenų lentelės, Pandas biblioteka, Series ir DaraFrame
• Duomenų vizualizavimas, Matplotlib, Seaborn bibliotekos. Interaktyvus grafikai su plotly biblioteka
• Vaizdinių duomenų analizė ir apdorojimas. OpenCV, Pillow bibliotekos

6. Python darbas su duomenų bazėmis

• Kas yra duombazė, SQL vs. noSQL, pavyzdžiai
• MySQL ar postgreSQL duombazės įdiegimas ant savo kompiuterio, praktika su programos UI
• Duomenų nuskaitymas iš duombazės.
• Lentelių kūrimas ir redagavimas, duomenų įrašymas, trinimas SQL duombazėje
• Duomenų gavyba iš duomenų bazės su Python
• Duomenų transformavimas, valdymas ir analizė su SQL ir Python (Pandas biblioteka)

1. Machine Learning teorija

• Kas yra Machine Learning (ML), AI vs. ML, kuo skiriasi tuo tradicinio programavimo, ML project flow
• Machine Learning istorija
• Mokymosi tipai (supervised, unsupervised/self-supervised, reinforcement) ir panaudojimo pavyzdžiai
• Structured (categories, numbers, etc.) vs. unstructured data (text, sound, etc.)

2. Supervised learning

• Supervised learning ir panaudojimo pavyzdžiai
• Klasifikavimo problema, mokymosi duomenų išskirimas (train-test split), modelio įvertinimo metrikos
• Scikit-learn biblioteka. Linijiniai modeliai, K-Nearest Neighbors, Decision Trees, Bagging ir Boosting metodai. underfit vs. overfit
• Binary vs. Multiclass vs. Multi-label classification. Logistic function
• Regresija, regresijos modelio įvertinimo metrikos
• Praktika su regresijos modeliais (Scikit-learn biblioteka)
• Neneigiama regresija ir situacijų pavyzdžiai. ReLu funkcija, Poisson ir Tweedie duomenų pasiskirstymai

3. Unupervised

• Unupervised (self-supervised) learning ir panaudojimo pavyzdžiai
• Duomenų klasterizavimas, kas yra geras klasterizavimas?

4. Feature engineering

• Duomenų normalizavimas, užkodavimas (data encoding) ir kodėl tai svarbu
• Feature selection ir Dimensionality reduction. Principal Component Analysis
• Modelio hiperparametrų derinimas (hyperparameter tuning), kryžminis validavimas (cross-validation)

5. Evoliuciniai algoritmai

• Evoliucinių algoritmų teorija ir terminologija
• Praktika su Evoliuciniais algoritmais. Python DEAP biblioteka

Reikalinga turėti kompiuterį su NVidia GPU kurio „Compute Capability” yra bent 6.0
Arba naudoti Google Colab su GPU (nemokama versija ne visada veikia dėl užimtumo)

1. Dirbtinių neuroninių tinklų (ANN) teorija

• Dirbtinių neuroninių tinklų istorija, panaudojimo pavyzdžiai, kas yra dirbtinis neuronas, aktyvacijos funkcijos
• Dirbtinio neuroninio tinklo struktūra (Multilayer Perceptron) , foward propogation, backpropogation
• Loss/cost funkcija, jos atvaizdaviams kaip kalnuota paviršių, Gradient descent,
• Learning rate

2. ANN Praktika su Pytorch

• Pytorch supažindinimas ir įrašymas
• Dirbtinio neuroninio tinklo sukūrimas su Pytorch skirtas klasifikuoti Fashion-MNIST nuotraukas. Modelio apmokymas, rezultatų įvertinimas
• Loss curve, early stopping, kuo naudingas Dropout

3. Konvoliuciniai neuroniniai tinklai (CNN)

• Kas yra nuotrauka kompiuteriui? Kokios problemos kyla bandant suprasti kas pavaizduotą nuotraukoje
• Filtrai (image kernel), konvoliucinio tinklo struktūra, pooling layer
• CNN sukūrimas su Pytorch skirtas klasifikuoti nuotraukas (Pvz. CIFAR10). Modelio apmokymas, rezultatų įvertinimas
• Duomenų augmentaciją ir jos įtaką apmokymui
• Transfer Learning. Kaip pritaikyti apmokytus modelius savo reikmėms
• Objektų atpažinimas (object detection) nuotraukose. YOLO, MobileNet modeliai. objektų atpažinimo modelio įvertinimo metrikos.
• semantic segmentation vs. instance segmentation. Mask R-CNN, Segment Anything (SAM), YOLACT modeliai.

4. Rekurentiniai neuroniniai tinklai (RNN)

• Duomenų sekos (garsas, video, tekstas) ir žvelgimas į praeitį.
• RNN tinklo apibrėžimas, panaudojimai ir apribojimai
• Muzikos generavimas su RNN

5. Generatyviniai konkuruojantys tinklai (GAN)

• GAN apibrėžimas, panaudojimo pavyzdžiai
• GAN modelio apmokymas nuotraukos stiliui pakeisti į Van Gogh stylių.

6. Transformerių neuroninis tinklas (Transformer)

• Transformer apibrėžimas, kaip apskaičiuojama duomenų svarba (attention), panaudojimo pavyzdžiai, kokie yra šio modelio minusai
• Transformer modelio apmokymas nuotraukos klasifikavimui.

1. NLP

• NLP pagrindai, istorija ir panaudojimas
• TF-IDF, bag of words, Spacy biblioteka
• word embeddings, jų tipai, pliusai ir minusai
• teksto klasifikavimas
• Teksto „Transformer” tinklai. Hugging face platforma ir biblioteka
• Teksto generavimas su Transformer tinklais

1. Reinforecement learning

• Kas yra Reinforecement learning, istorija, panaudojimo pavyzdžiai, atlygio (reward) funkcija, Exploration vs. Exploitation, action selection
• Reinforcement learning modelio apmokymas vienoje iš Gymnasium aplinkų

1. Užduočių sprendimai ir konsultacijos

• Viso kurso metu spręstų užduočių sprendimai, konsultacijos baigiamajam projektui

1. Baigiamųjų projektų pristatymai

• Baigiamųjų projektų pristatymai

1. Bendravimo įgūdžiai

• Aktyvus klausymasis
• Efektyvi komunikacija
• Bendravimas su sunkiais klientais
• Ryšio kūrimas

2. Problemų sprendimo strategijos

• Problemų analizavimas ir diagnostika
• Sprendimų nustatymas
• Gedimų šalinimo būdai
• Pagrindinės problemos priežasties analizė
• Naujausios problemų sprendimo technologijos
• Kaip gauti atsiliepimus iš vadovų
• Profesinis tobulėjimas

3. Laiko valdymas ir organizavimas

• Užduočių prioritetų nustatymas
• Darbo krūvio valdymas
• Delegavimas ir bendradarbiavimas

4. Emocinis intelektas

• Emocijų supratimas ir valdymas
• Empatija ir užuojauta
• Konfliktų sprendimas
• Streso valdymas

5. Kaip išmokti daugiau ir greičiau bei mažiau
pamiršti

•  5 minučių smegenų mankšta
• Išvalykite savo „protinį rūką“ su šiais 5
  skaniais smegenų maisto produktais
•  Išmokite galingą atminties techniką, kad
  niekada nepraleistumėte susitikimo

• Dirbtinio intelekto veikimas. Kuo tai skiriasi nuo žmogaus.
• Užklausos (Prompt) sudarymas. Kuo skiriasi gera užklausa nuo blogos.
• Rezultatų validacija. Gautų duomenų tikrinimas ar šie yra tinkami specifiniu atveju.
• Versijavimo politika. Naudojamos programinės įrangos (vendor) versijos sutapatinimas užklausoje.
• Dirbtinio intelekto įskiepiai kodo redaktoriuje (IDE). Privalumai ir trūkumai.
• Komentarų generavimas naudojant dirbtinį intelektą.
• Testų kūrimas įskiepio pagalba.
• Kodo optimizacija įskiepio pagalba.