🎯 Obiectivul cursului

La finalul cursului, participanții vor putea identifica oportunități de aplicare a Machine Learning în activitatea lor, vor înțelege pașii esențiali ai unui proiect ML, vor recunoaște principalele tipuri de algoritmi și vor evalua corect limitările, riscurile și responsabilitățile asociate utilizării ML, fără a necesita cunoștințe tehnice avansate.

✅ Ce vei învăța

• Defini și diferenția principalele tipuri de Machine Learning și aplicațiile lor
• Descrie pașii esențiali ai unui proiect ML, de la problemă la implementare
• Identifica structura și rolul datelor într-un proiect ML
• Aplica principii de curățare și preprocesare a datelor
• Explica importanța împărțirii corecte a datelor (train, validation, test)
• Recunoaște și evita erorile frecvente precum data leakage, overfitting și underfitting
• Compara algoritmi fundamentali și criterii de alegere a acestora
• Evalua performanța modelelor ML folosind metrici relevante
• Interpreta și comunica rezultatele unui model ML către decidenți
• Înțelege responsabilitățile, riscurile și bunele practici în utilizarea ML

📦 Formatul pachetului

Variantă: În ritmul tău

Cum înveți: Parcurgi materialele în propriul ritm, cu acces flexibil la lecții structurate, exemple aplicate și resurse suplimentare, adaptate pentru studiu individual. Poți reveni oricând asupra conținutului, în funcție de nevoile tale.

Acces: Individual, în platformă, timp de 6 luni de la confirmarea înscrierii.

⏱️ Durată și efort recomandat

Timp estimat de parcurs individual: aproximativ 18–30 ore, flexibil, în funcție de ritmul tău.

Acces la materiale: 26 săptămâni de la data activării cursului.

💡 Vrei mai mult decât parcurgere individualã?

Preferi să parcurgi cursul în ritmul tău? Ai flexibilitate totală să studiezi când și cum dorești, cu acces la materiale structurate și resurse aplicate, adaptate programului tău.

📚 Resurse utile și continuări recomandate

• Machine Learning – Aplicații avansate pentru business și risc
• Introducere în Data Science pentru profesioniști non-tehnici
• AI și decizia automatizată: cadre de reglementare și bune practici
• Traseu recomandat: Analiză de date și inteligență artificială pentru decidenți
• Resurse externe: ghiduri NIST AI RMF, EU AI Act, platforme open data pentru exerciții

📋 Standarde & referințe

• EU AI Act – clasificarea riscului și obligațiile pentru furnizorii de sisteme ML
• NIST AI Risk Management Framework (AI RMF)
• ISO/IEC 42001 – Sisteme de management al inteligenței artificiale
• GDPR – aplicabilitatea protecției datelor în proiecte ML
• Principii de bias, fairness și explicabilitate (XAI) pentru modelele ML
• Bune practici de monitorizare, audit și raportare a modelelor ML în sectorul financiar și economic