Modula 1: Introducere în AI
- Definiția și istoria AI
- Domenii principale: Machine Learning, Deep Learning, NLP, Computer Vision
- Aplicații practice și impactul AI în societate
- Concepte de bază: algoritmi, date, modele
Modula 2: Fundamente Matematice
- Algebra liniară (vectori, matrice, operații)
- Probabilitate și statistică
- Calcul și optimizare
- Notații și concepte necesare
Modula 3: Machine Learning - Baza
- Tipuri: supervised, unsupervised, reinforcement learning
- Pregătirea datelor (data preprocessing)
- Train/test split și validare încrucișată
- Metrici de evaluare
Modula 4: Algoritmi de Bază
- Regresia liniară și logistică
- Decision Trees și Random Forests
- K-means clustering
- Support Vector Machines (SVM)
Modula 5: Deep Learning Introducător
- Rețele neuronale: arhitectură și funcționare
- Propagare înainte și înapoi (forward/backward propagation)
- Funcții de activare
- Optimizatori (SGD, Adam)
Modula 6: NLP și Computer Vision
- Procesarea limbajului natural (tokenizare, embeddings)
- Rețele neuronale convoluționale (CNN)
- Modele pre-antrenate și transfer learning
- Aplicații practice
Modula 7: Proiect Capstone
- Aplicație end-to-end
- Implementare practică
- Evaluare și optimizare