Kurso sa Aplikasyon ng Machine Learning sa Inhenyeriya

Aralin 1 • Ano ang Machine Learning

Binibigyang-kahulugan ang ML, iniiba ito mula sa tradisyunal na programming, at inilalapat ang kaugnayan nito sa AI at data science. Itinatatag ang bokabularyong gagamitin sa buong kurso.

Aralin 2 • Mga Pangunahing Learning Paradigm

Inihahambing ang supervised, unsupervised, at reinforcement learning gamit ang mga kongkretong halimbawa. Binibigyang-daan nito ang mga mag-aaral na itugma ang mga uri ng problema sa tamang learning paradigm.

Aralin 3 • Ang Siklo ng Buhay ng Proyekto sa ML

Binabalangkas ang end-to-end na workflow mula sa pag-frame ng problema hanggang sa model deployment at monitoring. Nagtatakda ng mga inaasahan para sa buong saklaw ng engineering na tatalakayin sa mga susunod na kabanata.

Aralin 4 • Mahahalagang Matematika para sa ML

Sinusuri ang mga konsepto ng linear algebra, calculus, probability, at statistics na sumusuporta sa mga algorithm ng ML. Nagbibigay ng quantitative fluency na kinakailangan para sa pag-aaral ng algorithm sa ibang pagkakataon.

Aralin 1 • Exploratory Data Analysis

Inilalapat ang mga statistical summary at visualization upang matuklasan ang mga distribution, outlier, at ugnayan. Nagbibigay-alam sa mga estratehiya sa preprocessing at feature engineering sa mga susunod na seksyon.

Aralin 2 • Paglilinis at Imputation ng Datos

Tinutugunan ang mga missing value, duplicate, hindi pantay na format, at ingay sa mga hilaw na dataset. Tinitiyak ang integridad ng datos ng pagsasanay bago ang model fitting.

Aralin 3 • Pagbuo ng mga Reproducible na Pipeline ng Datos

Nagdidisenyo ng mga awtomatiko, version-controlled na pipeline na naglalapat ng mga pagbabagong-anyo nang pantay-pantay sa iba't ibang split. Sumusuporta sa maaasahang eksperimento at production deployment.

Aralin 4 • Pagkolekta at Paghahanap ng Datos

Sinusuri ang mga paraan para sa pangangalap ng datos mula sa mga database, API, web scraping, at sensor. Ibinabatay ang mga desisyon sa paghahanap ng datos sa mga kinakailangan sa kalidad at representasyon.

Aralin 1 • Evaluasyon at Pagpili ng Modelo

Naglalapat ng cross-validation, mga sukatan ng pagganap, at mga statistical test upang ihambing ang mga modelo nang obhetibo. Pinipigilan ang overfitting at ginagabayan ang mga panghuling desisyon sa pagpili ng modelo.

Aralin 2 • Linear at Logistic Regression

Hinango ang linear regression mula sa mga unang prinsipyo at pinapalawak ito sa logistic regression para sa classification. Itinatatag ang pundasyon ng loss-function at gradient-descent na ginagamit ng lahat ng susunod na modelo.

Aralin 3 • Mga Decision Tree at Modelong Batay sa Panuntunan

Ipinapaliwanag ang mga pamantayan sa paghahati ng tree, pruning, at mga bentahe ng interpretability. Nagsisilbing bloke ng pagbuo para sa mga ensemble method na ipinakikilala sa susunod.

Aralin 4 • Mga Ensemble Method

Sumasaklaw sa bagging, boosting, at stacking upang bawasan ang variance at bias na lampas sa mga limitasyon ng iisang modelo. Binibigyan ang mga mag-aaral ng pinakamahuhusay na off-the-shelf algorithm para sa tabular data.

Aralin 1 • Pagtukoy ng Anomalya at Outlier

Ipinapakilala ang statistical, distance-based, at model-based na pagtukoy ng anomalya para sa kontrol ng kalidad at pagtukoy ng fault. Direktang naaangkop sa manufacturing at monitoring ng imprastraktura.

Aralin 2 • Mga Pamamaraan sa Pagbabawas ng Dimensyon

Naglalapat ng PCA, t-SNE, at UMAP upang bawasan ang feature space habang pinapanatili ang istruktura. Pinapabuti ang visualization, bilis ng pagsasanay, at pagbabawas ng ingay sa mga dataset na may mataas na dimensyon.

Aralin 3 • Pagkatuto ng Association Rule

Nagmimina ng mga frequent itemset at association rule gamit ang mga algorithm na Apriori at FP-Growth. Sumusuporta sa mga use case ng rekomendasyon, pag-bundle ng maintenance, at optimisasyon ng proseso.

Aralin 1 • Pag-tune ng Hyperparameter at Paghahanap ng Arkitektura

Naglalapat ng grid search, random search, at Bayesian optimization upang mahanap ang pinakamainam na configuration ng network. Binabawasan ang trial-and-error at pinapabilis ang mga siklo ng pag-develop ng modelo.

Aralin 2 • Mga Batayan ng Feedforward Neural Network

Hinango ang perceptron, multilayer architecture, at algorithm ng backpropagation nang hakbang-hakbang. Itinatatag ang intuwisyon ng computational graph na ginagamit sa lahat ng deep learning framework.

Aralin 3 • Mga Recurrent Network at Sequence Model

Sumasaklaw sa mga RNN, LSTM, at GRU para sa pagmomodelo ng mga temporal dependency sa sequential na datos ng engineering. Inihahanda ang mga mag-aaral para sa time-series forecasting at mga aplikasyon sa kontrol ng proseso.

Aralin 4 • Mabisang Pagsasanay ng mga Deep Network

Tinutugunan ang mga algorithm ng optimisasyon, regularization, at normalization na nagpapatatag ng pagsasanay ng malalim na network. Pinipigilan ang mga karaniwang mode ng pagkabigo tulad ng vanishing gradient at overfitting.

Aralin 1 • MLOps at CI/CD para sa ML

Isinasama ang mga workflow ng ML sa mga pipeline ng continuous integration at delivery na may awtomatikong pagte-test at mga trigger ng retraining. Tinitiyak ang reproducibility at mabilis na iterasyon sa produksyon.

Aralin 2 • Scalable na Imprastraktura ng Pagsasanay

Sumasaklaw sa mga estratehiya ng distributed training, paggamit ng GPU, at orkestrasyon ng cloud compute para sa malalaking modelo. Binabawasan ang oras ng pagsasanay at pinapagana ang eksperimento sa malaking sukat.

Aralin 3 • Mga Pattern ng Model Serving at Deployment

Inihahambing ang batch inference, real-time REST API, at mga arkitektura ng edge deployment. Itinutugma ang pattern ng deployment sa mga hadlang ng latency, throughput, at resource.

Aralin 4 • Monitoring at Observability

Nagpapatupad ng pagtukoy ng data drift, concept drift, at pagkasira ng pagganap sa mga naka-deploy na modelo. Pinapagana ang maagap na maintenance bago makaapekto ang mga pagkabigo ng modelo sa mga operasyon ng engineering.

Aralin 1 • Mga Sistema ng Enerhiya at Pagtataya ng Demand

Tinataya ang demand ng enerhiya at ino-optimize ang mga operasyon ng grid gamit ang mga modelo ng time-series at optimisasyon. Sumusuporta sa renewable integration at load balancing sa mga smart energy system.

Aralin 2 • Optimisasyon at Kontrol ng Proseso

Gumagamit ng regression at reinforcement learning upang i-optimize ang mga parameter ng proseso sa manufacturing at mga control loop. Pinapabuti ang yield, kahusayan ng enerhiya, at throughput sa mga sistema ng produksyon.

Aralin 3 • Mga Sistema ng Predictive Maintenance

Bumubuo ng mga modelo ng prediksyon ng pagkabigo mula sa time-series ng sensor gamit ang survival analysis at classification. Binabawasan ang hindi planadong downtime at mga gastos sa maintenance sa mga setting na pang-industriya.

Aralin 4 • Structural Health Monitoring

Tumutukoy ng pinsala at pagkasira sa mga istrukturang sibil at mekanikal gamit ang datos mula sa vibration at acoustic sensor. Pinapagana ang condition-based maintenance para sa mga tulay, pipeline, at makinarya.

Aralin 1 • Adversarial Robustness at Seguridad

Sinusuri ang mga adversarial attack, data poisoning, at pagnanakaw ng modelo, pagkatapos ay naglalapat ng mga depensa. Pinoprotektahan ang mga sistema ng ML na naka-deploy sa kritikal na imprastruktura at mga kapaligirang sensitibo sa kaligtasan.

Aralin 2 • Pagkamakatarungan at Pagbawas ng Pagkiling

Tinutukoy ang mga pinagmumulan ng pagkiling sa datos ng pagsasanay at mga output ng modelo, pagkatapos ay naglalapat ng mga pamamaraan sa pagbawas. Tinitiyak ang patas na mga kinalabasan sa workforce, alokasyon ng resource, at mga sistema ng kaligtasan.

Aralin 3 • Kwantipikasyon ng Walang Katiyakan

Nilo-quantify ang epistemic at aleatoric na walang katiyakan gamit ang mga Bayesian method at conformal prediction. Binibigyang-daan ang mga inhinyero na kumilos batay sa mga antas ng kumpiyansa ng modelo sa mga desisyong kritikal sa kaligtasan.

Aralin 4 • Explainability at Interpretability ng Modelo

Naglalapat ng SHAP, LIME, at visualization ng atensyon upang ipaliwanag ang mga prediksyon ng modelo sa mga inhinyero at stakeholder. Bumubuo ng tiwala at sumusuporta sa pagsunod sa regulasyon sa mga aplikasyong may mataas na halaga.