Ce este Machine Learning? Definiții și exemple concrete

Reguli fixe, Machine Learning tradițional și AI generativ: diferențe cheie

Când (nu) are sens să folosim Machine Learning

Etapele unui proiect de Machine Learning: de la problemă la implementare

Rolul deciziei umane și responsabilitatea în proiectele ML

Quiz Secțiunea 1 — Introducere în Machine Learning și Rolul său în Decizie

Tipuri de Machine Learning: supravegheat, nesupravegheat, semi-supravegheat, reinforcement learning, AI agentic

Structura datelor: observații, variabile, etichete

Clasificare vs. regresie: ce tip de predicție avem?

Probleme abordabile cu ML: exemple din business, risc și economie

Quiz Secțiunea 2 — Tipuri de Machine Learning și Probleme Abordabile

Importanța calității datelor în ML

Curățarea și preprocesarea datelor: pași esențiali

Feature engineering: cum construim variabile relevante

Împărțirea datelor: train, validation, test, cross-validation

Data leakage: cum apare și cum îl evităm

Quiz Secțiunea 3 — Date pentru Machine Learning: Pregătire, Curățare și Bune Practici

Algoritmi de bază: regresie liniară, regresie logistică, arbori de decizie, Random Forest, KNN, SVM

Criterii de alegere a algoritmului potrivit

Overfitting și underfitting: ce sunt și cum le recunoaștem

Metrici de evaluare: MAE, RMSE, Accuracy, matrice de confuzie, precision, recall, praguri de decizie

Interpretarea și explicarea rezultatelor modelului

Quiz Secțiunea 4 — Algoritmi Fundamentali și Evaluarea Performanței

Game Lab Learning — Practice Arena

behavioral_jenga: Identificarea problemelor abordabile cu Machine Learning în business și risc

Simulator de decizii: Curățarea și preprocesarea datelor în Machine Learning

Model Surgeon: Feature Engineering pentru Machine Learning