Inteligența artificială

1. Modele liniare pentru regresie și clasificare
   • Regresie liniară
   • Regresie logistică
2. Support Vector Machines
   • SVM liniare
   • SVM neliniare
3. Arbori de decizie
   • Arbori de clasificare
   • Arbori de regresie
4. Învățare de ansamble și boosting
   • Boosting
   • Învățare de ansamble
   • Random forests
5. Reducerea dimensionalității
   • Analiza componentelor principale (PCA)
   • Analiza componentelor independente (ICA)
6. Învățare nesupervizată    
   • K-Means clustering
   • Gaussian mixtures
   • K-Nearest-Neighbors
   • Factorizarea non-negativă a matricilor
7. Modele grafice
   • Clasificatorul naive Bayes
   • Hidden Markov Models
   • Rețele bayesiene
8. Învățare prin consolidare (reinforcement learning)
   • Policy search
   • Markov Decision Processes
   • Q-Learning

Bibliografie:
1. Trevor Hastie, Robert Tibshirani, Jerome H. Friedman. The Elements of Statistical Learning. Springer, 2001.
2. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
3. Kevin Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
4. Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, 2019.

1. Matematica învățării profunde
   • Vectori, matrici și tensori
   • Operații cu tensori
   • Funcții de cost
   • Optimizarea funcțiilor de cost. Metoda gradientului descendent
2. Rețele neuronale feed-forward
   • Rețele feed-forward pentru clasificare
   • Rețele feed-forward pentru regresie
3. Rețele neuronale de convoluție
   • Straturile de convoluție
   • Straturile de eșantionare
4. Rețele neuronale recurente
   • Straturile de embeddings
   • Straturile recurente de bază
   • Straturile LSTM, GRU
5. Metode de regularizare
   • Regularizare L1, L2
   • Augmentarea datelor
   • Stratul de dropout
6. Învățare profundă generativă
   • Generare de date secvențiale folosind rețele recurente
   • Autoencodere variaționale
   • Rețele generative adversariale

Bibliografie:

1. Ian Goodfellow, Yoshua Bengio, Aaron C. Courville. Deep Learning. MIT Press, 2016.

2. Charu C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer, 2018.

3. Eugene Charniak. Introduction to Deep Learning. MIT Press, 2019.

4. John D. Kelleher. Deep Learning. MIT Press, 2019.

1. Formarea imaginilor
   • Primitive și transformări geometrice 
   • Formarea fotometrică a imaginilor
   • Camera digitală
2. Procesarea imaginilor
   • Operatori punctuali
   • Filtre liniare
   • Transformate Fourier
   • Transformări geometrice
3. Detecția și potrivirea caracteristicilor
   • Puncte și patch-uri
   • Margini
   • Linii
4. Segmentare
   • Contururi active
   • Împărțire și îmbinare
   • Mean shift și mode finding
5. Aliniera bazată pe caracteristici
   • Aliniera bazată pe caracteristici 2D și 3D
   • Estimarea pose-urilor
   • Calibrarea geometrică intrinsecă
6. Structure from motion
   • Triangulare
   • Structure from motion din două cadre
   • Factorizare
7. Corespondența stereo
   • Geometria epipolară
   • Corespondența densă și împrăștiată
   • Metode locale
   • Optimzare globală
   • Stereo multi-view
8. Recunoașterea
   • Detecția obiectelor
   • Recunoașterea fețelor
   • Recunoașterea instanțelor
   • Recunoașterea categoriilor
   • Înțelegerea contextului și a scenei

Bibliografie:

1. Richard Szeliski. Computer Vision: Algorithms and Applications. Springer, 2011.

2. David A. Forsyth, Jean Ponce. Computer Vision: A Modern Approach. Pearson Education, 2011.

3. Simon J. D. Prince. Computer Vision: Models, Learning, and Inference. Cambridge University Press, 2012.

4. E. R. Davies. Computer Vision: Principles, Algorithms, Applications, Learning. Academic Press, 2017.