Šių metų rugsėjo 16–20 dienomis Kauno kolegijos Technologijų fakultete lankysis kviestinis dėstytojas iš Jungtinių Amerikos Valstijų, kompiuterių inžinerijos ekspertas, duomenų (angl. data science) mokslininkas, mokslo daktaras Georgios Ouzounis.
Dr. Georgios Ouzounis per beveik 20 karjeros metų yra sukaupęs didelę darbo ir mokslinės veiklos patirtį, dirbdamas įvairiose mokslo, tyrimų ir verslo institucijose skirtingose šalyse. Jis yra 10 patentų autorius, jo moksliniai straipsniai yra publikuoti pasaulinio lygio mokslo žurnaluose, o moksliniai atradimai yra cituojami kitų tyrėjų darbuose. G. Ouzounis taip pat yra Elektros ir elektronikos inžinierių instituto / profesionalų asociacijos (angl. Institute of Electrical and Electronics Engineers, IEEE) bendruomenės vyresnysis narys ir 5 tarptautinių mokslo žurnalų recenzentas. Mokslininkas yra įgijęs pedagoginio darbo patirties skaitydamas paskaitas Prancūzijoje, Islandijoje, Nyderlanduose ir kitose šalyse. Pasižymi puikia iškalba ir gebėjimu perteikti informaciją skirtingo amžiaus ir kultūrų tikslinėms grupėms. Savo karjerą pradėjęs universitete, dirbęs Europos Komisijoje, o nuo 2012 metų įsitvirtinęs verslo sektoriuje atstovauja pasaulyje lyderiaujančioms IT įmonėms. Šiuo metu G. Ouzounis yra įmonės „ElectrifAi“ viceprezidentas, dirba duomenų mokslo srityje.
Šis mokslininkas sukauptomis žiniomis, patirtimi ir ateities technologijų įžvalgomis pasidalins su kolegijoje automatinį valdymą, kompiuterinių tinklų administravimą, infotroniką, programų sistemas bei informacines finansų sistemas studijuojančiaisiais. G. Ouzounis studentams ves teorinius ir praktinius užsiėmimus giliojo mokymosi (angl. deep learning) tema. Gilusis mokymasis – tai pakankamai nauja automatinio mokymosi (angl. machine learning) sritis.
Intensyvaus kurso metu perteiktos žinios bus integruojamos į programavimo technologijų studijų dalykus ir padės formuoti studentų suvokimą apie programuojamųjų valdymo sistemų funkcionavimo principus bei naujausių informacinių ir komunikacinių sistemų taikymo įvairiems procesams valdyti galimybes.
| Data | Paskaitos laikas | Turinys | Auditorija |
| Rugsėjo 16 d. | 12.40–16.10 | 1. Course Introduction 2. Computational Infrastructures & Resources 3. Tutorial Session 1 – Github I/O 4. Tutorial Session 2 – NumPy, Pandas, MatPlotLib |
1-61 a. (Pramonės pr. 20) |
| Rugsėjo 17 d . | 9.00–12.30 | 1. Features 2. Tutorial on Feature Selection 3. Cross Validation 4. Model Evaluation |
1-61 a. (Pramonės pr. 20) |
| Rugsėjo 18 d. | 11.45–15.15 | 1. Artificial Neural Networks – Theory part 1 2. Artificial Neural Networks – Theory part 2 3. Artificial Neural Networks – Build, Test and Deploy 4. Artificial Neural Networks – Model Evaluation, Tuning and Improvement |
1-61 a. (Pramonės pr. 20) |
| Rugsėjo 19 d. | 9.00–12.30 | 1. Convolutional Neural Networks – Theory Part 1 2. Convolutional Neural Networks – Theory part 2 3. Convolutional Neural Networks – Build, Test and Deploy 4. Convolutional Neural Networks – Practical Exercise – Improve performance |
1-61 a. (Pramonės pr. 20) |
| Rugsėjo 20 d. | 9.00–12.30 | 1. Recurrent Neural Networks – Theory part 1 2. Recurrent Neural Networks – Theory part 2 3. Recurrent Neural Networks – Build, Test and Deploy 4. Recurrent Neural Networks – Model Evaluation, Tuning and Improvement |
1-61 a. (Pramonės pr. 20) |
