Klasyczne ML
Drzewa, lasy losowe, SVM i metody ensemble nadal są wyborem przy tabularnych danych, gdzie ważna jest interpretowalność i niski koszt treningu.
Deep learning
Sieci konwolucyjne, rekurencyjne i architektury hybrydowe pozwalają automatycznie uczyć się reprezentacji z surowych danych. Frameworki takie jak PyTorch i TensorFlow udostępniają ekosystem narzędzi od eksperymentów po wdrożenie na edge i w chmurze.
Praktyka treningu
Walidacja krzyżowa, early stopping, regularyzacja i dobór hiperparametrów ograniczają przecuczenie. Warto śledzić krzywe uczenia i metryki na zbiorze walidacyjnym niezależnym od treningu.
Związek z testami na witrynie
Tematy z tego obszaru pojawiają się w quizie Podstawy AI & Machine Learning — możesz tam sprawdzić znajomość pojęć.