• Necesar de cunoștinte: Operații cu matrice, derivate, cunoașterea unui limbaj procedural, cunoștințe minimale de OOP
  Obiectiv: Înțelegerea fundamentelor din ML prin implementare directă și utilizarea librăriilor ce sunt standard în industrie.

—

1. Metodologie de Predare (Inside-Out Approach)
Fiecare sesiune urmează un flux didactic pentru a asigura transformarea teoriei în competențe practice:

• Recapitulare Matematică Aplicată: Revederea conceptelor esențiale (algebră liniară, derivate, geometrie analitică) strict necesare pentru algoritmul lecției.
• Demonstrarea Conceptului: Explicarea logicii prin exemple din viața reală și studii de caz.
• Hands-on Practice (Implementare Pură): Fiecare algoritm este implementat manual, fără biblioteci externe, pentru a înțelege mecanismul intern (când se poate). Se facilitează un set de date (dataset) specific pentru testarea metodei implementate.
• Tranziția către Framework-uri: După stăpânirea bazei, cursanții învață să utilizeze bibliotecile standard (Scikit-Learn, Pandas, etc), pentru a implementa același algoritm.
• Interactivitate: Sesiuni de tip “follow-along”, discuții deschise și rezolvare de probleme în timp real între profesor și elevi.

2. Planificarea Sesiunilor (10 Sesiuni)

ZIUA 1: Ecosistemul de Lucru în Python
Sesiunea 1: Fundamentele Python & NumPy

• Sintaxă, structuri de date și baze de OOP.
• Manipulare de matrici/vectori cu NumPy.

Sesiunea 2: Manipularea Datelor și Vizualizare

• Analiza datelor tabulare (Pandas) și procesarea imaginilor (OpenCV).
• Metodologia de validare: Train / Test Split.

ZIUA 2: Statistică și Clasificare Probabilistică
Sesiunea 3: History of ML & Fundamente Statistice

• Contextul evoluției AI/ML; Introducere în concepte de probabilitate, verosimilitate, varianță, covarianță și distribuție.
• Probabilități și aplicarea Legii lui Bayes în luarea deciziilor.

Sesiunea 4: Feature Engineering și Naive Bayes

• Pregătirea datelor (extragerea caracteristicilor relevante).
• Implementarea de la zero a unui clasificator Naive Bayes pentru documente/text.

ZIUA 3: Algoritmi Spatiali și Clasificatori Liniari

Sesiunea 5: K-Nearest Neighbours (KNN)

• Geometrie analitică: Calculul distanțelor în spații n-dimensionale.
• Standardizarea datelor. Aplicație practică: Histograma de culori pentru imagini.

Sesiunea 6: Support Vector Machines (SVM)

• Introducere în spații de trăsături de dimensiuni superioare și Kernel Trick.
• Exemplu practic: Modelul Bag of Words (BoW).

ZIUA 4: Analiză Predictivă prin Regresie

Sesiunea 7: Regresie Liniară I

• Modelarea relațiilor dintre variabile și minimizarea erorii medii pătratice.

Sesiunea 8: Regresie Liniară II

• 
  Continuarea implementării și tehnici de optimizare a preciziei modelului.
• Conceptul de under și overfitting, și interepretare

ZIUA 5: Fundamentele Rețelelor Neuronale

Sesiunea 9: Perceptronul și Optimizarea

•  Modelul matematic al neuronului, funcții de activare și problema XOR.
• Înțelegerea (Stochastic) Gradient Descent (SGD).

Sesiunea 10: Multi-Layer Perceptron (MLP)

• Arhitectura unei rețele neuronale dense și înțelegerea conceptuală a backpropagation.

3. Structura Proiectului

Proiectul final are rolul de a consolida toate cunoștințele într-un produs demonstrabil:

1. Cercetare și Selecție: Cursanții identifică sau primesc seturi de date pentru o problemă de interes (ex: predicția prețurilor, clasificarea de obiecte, analiza sentimentelor).
2. Pipeline-ul de ML:  Curățarea și explorarea datelor (EDA). Implementarea modelului și reglarea parametrilor.
3. Livrabil Final:Realizarea unui poster tehnic sau a unei prezentări care să explice procesul decizional și performanța obținută.
4. Sesiune de postere: o să fie o expoziție unde fiecare student o să aibe un poster A2/A3, iar ceilalți participanți de la alte cursuri pot să îi întrebe despre rezultatele lor.