- Курс-профессия из 3 уровней
- Трудоустройство через 9 месяцев
- Авторы курса – дата-сайентисты из Сбера, Wrike, VISA
- Обновили курс в 2022 году.
Специалист по Machine Learning, или ML-инженер анализирует большие объёмы информации, создаёт модели для прогнозирования в бизнесе, медицине, промышленности.
Задача ML-инженера — обучать нейросети, проектировать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения.
Кому подойдёт этот курс?
- Новичкам
С нуля освоите Python и SQL, научитесь собирать и анализировать данные. Получите необходимый минимум знаний по математике, теории вероятности и статистике. Решите задачи на основе реальных кейсов. - Программистам
Подтянете математику, статистику, аналитическое и алгоритмическое мышление, научитесь выявлять потребности бизнеса. Получите опыт работы с моделями машинного обучения и будете решать задачи с данными с помощью Python. Пройдёте процесс от сбора данных до деплоя модели. - Начинающим аналитикам
Научитесь выдвигать гипотезы и делать выводы на основе данных. Сможете писать эффективный код на Python, превращать сырые данные в полезную информацию, понимать математику и основы статистики, обучать машины и прогнозировать результаты. Отшлифуете знания, увеличите скорость работы и добьётесь повышения.
Чему вы научитесь:
- Строить модели машинного обучения
Начнёте с простых моделей, которые требуют минимальных знаний программирования. Разберётесь в алгоритмах и научитесь решать задачи регрессии, классификации и кластеризации. - Обучать нейронные сети
Узнаете, как устроены архитектуры нейросетей для задач компьютерного зрения и NLP. Сможете использовать и дообучать готовые сетки для своих задач и тренировать собственные. - Использовать ML-алгоритмы
Освойте линейные и древесные алгоритмы и бустинги. Научитесь прогнозировать временные ряды и создавать рекомендательные системы. Сможете обучать модели на больших данных с помощью Spark. - Работать с инструментами анализа данных
Узнаете, как проводить разведочный анализ данных, и освоите Excel для аналитики. Научитесь визуализировать данные в Power BI и программировать на Python и SQL. - Извлекать данные из различных источников
Поймёте, как читать файлы различных форматов при помощи Python и библиотеки Pandas. Научитесь писать запросы к API, получать, очищать и сохранять данные в разных форматах. - Настраивать инфраструктуру
Научитесь читать и понимать архитектуры ML-решений. Познакомитесь с пайплайнами работы модели: от сборки данных до мониторинга результатов. Сможете собирать модели в виде API.
Содержание:
- Первый уровень: базовая подготовка
Среднее время прохождения — 5 месяцев.
- Введение в Data Science
- Продвинутый уровень: погружение в Machine Learning и трудоустройство
Среднее время прохождения — 4 месяца.
- Machine Learning. Junior
- Трудоустройство с помощью Центра карьеры.
- Экспертный уровень. Выбор специализации
Среднее время прохождения — 3 месяца.
- Machine Learning. Advanced
- Deep Learning
- Специализация Natural Language Processing
- Специализация 2. Computer Vision
- Дополнительные курсы
- Основы математики для Data Science
- Основы статистики и теории вероятностей
- Основы статистики и теории вероятностей Advanced
- Карьера разработчика: трудоустройство и развитие
- Система контроля версий Git
- Английский для IT-специалистов.
Сертификат Skillbox подтвердит, что вы прошли курс, и станет дополнительным аргументом при устройстве на работу.
Научитесь преобразовывать сырые данные в полезную информацию для принятия стратегических решений
- Формат обучения — Вебинары и очные лекции в Москве
- Документ — Диплом о профессиональной переподготовке
Обучение на курсе поможет вам
Перейти в профессию с высоким окладом, которая не устареет через 10 лет
Положите начало своему развитию в востребованной во всех отраслях бизнеса профессии
Освоить ключевые технологии и опередить запрос рынка
Станете востребованным специалистом сразу после обучения и не растеряете накопленные знания и навыки
Прожить опыт 2-3 лет самостоятельного изучения сферы Data Science
Получите знания в концентрированном формате и с обратной связью от экспертов-практиков ведущих компаний
Чем занимается Data Scientist
Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы.
А ещё вы получите
Больше 10 кейсов в портфолио
Выполните 80 домашних работ с фидбеком эксперта, а также онлайн-лабораторные и тесты
Доступ в профессиональные сообщества
Поможем вам найти единомышленников и будущих коллег
Помощь в трудоустройстве
Поможем составить резюме, подготовиться к собеседованию, проконсультируем по релокации
Кому будет полезен этот курс
Новичкам в Data Science
С нуля овладете знаниями и навыками, необходимыми для работы Data Scientist, и получите новую востребованную профессию.
Разработчикам
Курс даёт хорошую базу для перехода из программирования в Data Science и анализ больших данных. Вас ждёт много практической работы, разбор кейсов и новые полезные знакомства.
Аналитикам
Вы научитесь извлекать максимум из больших массивов данных для быстрой проверки гипотез и построения прогнозов. Систематизируете знания и углубитесь в сферу Data Science.
Чему вы научитесь
Работать SQL
Научитесь писать запросы, работать с данными в базе без переноса в таблицы, загружать данные и сохранять историю, работать с разными форматами файлов
Использовать Python и библиотеки
Автоматизировать работу с большими массивами, получать данные из внешних источников, обосновывать выводы, сделанные на основании данных
Проверять данные и определять проблемы
Обрабатывать текстовые данные, чтобы передавать их в алгоритмы машинного обучения, генерировать новые значимые признаки
Строить модели машинного обучения
Быстро строить модели и проверять гипотезы, строить рекомендательную систему и нейронную сеть, выявлять скрытые аномалии в данных
Применять математику
Освоите необходимый математический аппарат для продуктивной работы с моделями данных, машинным обучением и нейронными сетями
Лидировать DS-проект
Структурировать результаты, формулировать гипотезы, выявлять потребности, находить области применения машинного обучения
Структура программы
Часть 1. Получение и подготовка данных (SQL и Python)
Программа построена от простого к сложному. Первый модуль научит вас понимать, где взять данные, и находить между ними связи.
Узнаете, как писать SQL запросы, чтобы получать данные из хранилищ — и не тратить время разработчиков или администраторов на поиск информации.
Научитесь быстро создавать материалы исследований, чтобы получать инсайты для принятия решений. Познакомитесь с основами статистических проверок гипотез — чтобы больше ни один вывод не был сделан «потому что так было всегда» или «так кажется».
Часть 2. Обработка данных и создание признаков для моделей (Feature Engineering)
Научитесь проверять данные на полноту, целостность, наличие шумов, ошибок, выбросов и пропусков и работать с проблемами, делая качество предсказаний достаточным для принятия решений. Обрабатывать текстовые данные, чтобы передавать их в алгоритмы машинного обучения и экономить время заказчика.
Строить деревья решений, модель логистической регрессии, использовать Random Forest в задачах классификации, строить линейную и полиномиальную регрессию — одним словом, знать где применять и что ожидать от работающих и математически обоснованных методов решения бизнес-задач.
Часть 3. Суперсила: машинное обучение для 5 ключевых областей применения
В этом модуле вы научитесь строить рекомендательную систему, чтобы решить проблему нехватки данных, возвращать клиентов и увеличивать средний чек.
Решать задачу распознавания и преобразования изображений, чтобы узнавать наиболее привлекательные товары на полках.
Выделять признаки для анализа изображений: лиц, почерка, особенностей предметов, чтобы конвертировать рукописный текст в электронный или узнавать постоянных покупателей.
Обучать нейронную сеть там, где стандартным машинным обучением уже не обойтись.
SQL и получение данных
В идеальном мире data scientist получает готовые данные, чтобы строить модели, но мир неидеален. Вы научитесь с помощью SQL получать данные из БД, фильтровать, агрегировать, а также импортировать и экспортировать.
10 часов теории
25 часов практики
- Архитектура и структура баз данных (БД)
- Простые запросы, join`ы, агрегаты
- Базовые команды в SQL и встроеные аналитические функции
- Импорт и экспорт данных посредством SQL и ETL программ
- Принципы работы с разными конкретными БД
- Основные библиотеки для подключения к БД из Python
- Функции SQL и их аналоги в pandas
- Подготовка и сдача итогового проекта
- Python, статистика и математика для анализа данных
Вы научитесь пользоваться базовыми инструментами и подходами в Python, чтобы начать работать с данными. Повторите основы линейной алгебры, теории множеств, методов математической оптимизации, описательной статистики, статистического анализа данных, а также научитесь реализовывать это на языке Python.
20 часов теории
30 часов практики
- Основы Python и Git (арифметика)
- Базовые типы данных и циклы
- Функции и классы
- Продвинутые типы данных: массивы, множества, словари
- Python для анализа данных: numpy и scipy
- Python для анализа данных: pandas
- Лабораторная работа по Python
- Основы линейной алгебры и теории множеств + реализация в Python
- Методы математической оптимизации + реализация в Python
- Основы описательной статистики + реализация в Python
- Статистический анализ данных + реализация в Python
- Лабораторная работа по матстатистике
- Подготовка и сдача итогового проекта
- Feature engineering и предобработка данных
Когда данные получены, нужно изучить их, выявить закономерности, а также подготовить для создания модели. Вы научитесь визуализировать данные, проверять их на целостность, валидность, полноту, очищать от шумов, пропущенных значений, работать с размерностью, а также создавать фичи для моделей.
15 часов теории
22 часа практики
- Выбор способа визуализации под задачу
- Инструменты matplotlib, seaborn для визуализации
- Проверка и очищение данных с помощью pandas и numpy
- Проведение одномерного и рекурсивного Feature Selection и Feature Selection на базе моделей
- Методы оценки значимости и отбора признаков и их использование
- «Проклятие размерности», основные алгоритмы и принципы их работы
- Использование алгоритмов sklearn
- Математика для анализа данных
Чтобы увидеть в больших объёмах данных закономерности, аналитик опирается на линейную алгебру, математический анализ и теорию вероятности. Если специалист не разбирается в этих направлениях — гипотезы и выводы будут неточными.
18 часов теории
18 часов практики
- Линейная алгебра
- Математический анализ
- Теория вероятности
- Построение модели
Вы научитесь строить основные модели обучения с учителем и без, а также ансамбли моделей. Кроме этого, сможете подбирать метрики, чтобы оценивать качество модели, итерационно повышать его и бороться с переобучением.
40 часов теории
21 час практики
- Линейные методы, логистическая регрессия и SVM
- Деревья решений
- Линейная и полиноминальная регрессия
- Алгоритмы кластеризации
- Способы повышения качества модели
- Функции потерь и оптимизация
- Оценка точности модели, борьба с переобучением, регуляризация
- Улучшение качества модели
- Менеджмент data-проектов
Вы научитесь планировать разработку data science-проектов, а также грамотно рассказывать заказчикам о результатах исследований.
2 часа теории
6 часов практики
- Организация проекта
- Составление отчётов по исследованиям
- Рекомендательные системы
В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
12 часов теории
8 часов практики
- Неперсонализированные рекомендательные системы
- Сontent-based-рекомендации
- Collaborative Filtering
- Гибридные алгоритмы
- Распознавание изображений, машинное зрение
Вы освоите основные техники машинного зрения — извлечение признаков, поиск по картинкам, сегментирование, детекция объектов — а также научитесь строить нейросети.
20 часов теории
12 часов практики
- Поиск по картинкам
- Сегментация изображений, детекция объектов
- Применение свёрточных нейронных сетей для задач сегментации и детекции
- Применение рекуррентных сетей в задачах обработки изображений
- Генеративные конкурирующие сети (GAN)
- Обработка естественного языка (NLP)
Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты.
18 часов теории
10 часов практики
- Морфологический и синтаксический анализ
- Методы снижения размерности в векторной модели. Информационный поиск
- Тематическое моделирование (LSA, LDA, HDP)
- Дистрибутивная семантика (word2vec, GloVe, AdaGram)
- Счётные языковые модели и вероятностные языковые модели. LSTM. Машинный перевод
- Генерация текстов (Natural Language Generation)
- Задача классификации в АОТ
- Итоговый хакатон
Завершим обучение состязанием с товарищами по курсу: в составе мини-команды, за ограниченное время и на основе датасетов крупных игроков рынка, вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе.
Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills.
8 часов практики
Дипломный проект
В рамках дипломного проекта вы сможете построить ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста и т. д.
Если в моменте у вас нет идей для своего проекта (или доступа к необходимым данным), мы предложим вам учебный кейс в интересной вам области на основе реального датасета других компаний.
Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.
60 часов практики
Гарантия возврата денег
У вас есть три занятия, чтобы попробовать. Если передумаете учиться, скажите — и мы вернём вам всю сумму.
Ваше резюме после обучения
Data Scientist
Достигнутые результаты
- Построена полносвязная нейросеть
- Создан чатбот для поиска авиабилетов
- Построен классификатор изображений
- Созданы рекомендательные системы для музыкального и киносайта
- Создан готовый к внедрению ml-проект
Ключевые навыки
- Сбор и подготовка данных для анализа
- Создание нейросетей
- Генерация текстов и изображений
- Создание рекомендательных систем
- Выбор и реализация алгоритма под задачу
- Выбор и создание фич для модели
Пройдите обучение по Data Science с нуля и получите востребованную профессию
За два года спрос на Data Scientist-ов вырос в два раза, по данным HeadHunter. Применяя методы машинного обучения, они строят прогнозы и повышают эффективность бизнес-процессов в любой отрасли. Мы поможем стать таким специалистом с нуля и найдем вам работу.
После учебы вы сможете работать по специальностям
- Data Scientist
- Data Analyst
- Machine Learning Engineer
- Computer Vision-специалист
- NLP-специалист
Гарантия трудоустройства закреплена в договоре. Если после успешного обучения, вы не найдёте работу, мы вернём вам деньги
Учитесь по своим правилам
Два формата обучения:
- живые вебинары;
• видеолекции в записи.
Везде предусмотрены домашние задания и их проверка преподавателем. Выберите удобный формат, проконсультировавшись с менеджером.
Наша программа одна из самых объёмных и содержательных. В то же время её легко понять, потому что знания даются постепенно: от базы к продвинутым инструментам.
380
часов обучающего контента и практики
12
проектов в портфолио
2-3
вебинара в неделю
Подготовительные курсы
Их необязательно проходить, но они помогут лучше погрузиться в обучение.
Видеокурс: как учиться эффективно
Расскажем, как спланировать обучение, чтобы сохранить интерес, получить максимум пользы и всё успеть.
7 видеоуроков
Основы математики
Сможете освежить базовые знания по математике и облегчить погружение в методы машинного обучения.
14 видеоуроков
Основы программирования
Узнаете об особенностях языков программирования и получите первый опыт написания кода.
17 видеоуроков
Основы языка Python
Для новичков и опытных программистов: вы познакомитесь с инструментами разработки и освоите машинное обучение на Python.
17 видеоуроков
Git. Базовый
Познакомим с основными понятиями: репозиторий, коммит, тег, ветки, создание и клонирование репозитория, слияние веток, запрос истории изменений.
13 видеоуроков
I год
I четверть
Программирование
Научитесь работать в Linux и создавать сервера в облачных сервисах AWS, проводить поиск информации и основные операции с файлами, выполнять мониторинг работы сервера. Научитесь использовать язык запросов SQL, создавать и оптимизировать сложные запросы. Освоите библиотеки языка Python, предназначенные для Data Science: Numpy, Pandas, Matplotlib, SciKit-Learn.
Встреча декана со студентами
Основы языка Python
- Знакомство с Python
- Встроенные типы и операции с ними
- Функции
- Полезные инструменты
- Работа с файлами
- Объектно-ориентированное программирование
- ООП. Продвинутый уровень
- ООП. Полезные дополнения
4 недели— 8 уроков
Linux. Рабочая станция
- Введение. Установка ОС
- Настройка и знакомство с интерфейсом командной строки
- Пользователи. Управление Пользователями и группами
- Загрузка ОС и процессы
- Устройство файловой системы Linux. Понятие Файла и каталога
- Введение в скрипты bash. Планировщики задач crontab и at
- Управление пакетами и репозиториями. Основы сетевой безопасности
- Введение в docker
4 недели — 8 видеоуроков
Основы реляционных баз данных и MySQL
- Вебинар. Установка окружения. DDL — команды
- Видеоурок. Управление БД. Язык запросов SQL
- Вебинар. Введение в проектирование БД
- Вебинар. CRUD-операции
- Видеоурок. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
- Вебинар. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
- Видеоурок. Сложные запросы
- Вебинар. Сложные запросы
- Видеоурок. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
- Вебинар. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
- Видеоурок. Оптимизация запросов. NoSQL
- Вебинар. Оптимизация запросов
6 недель — 12 уроков
Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn
- Введение
- Вычисления с помощью Numpy. Работа с данными в Pandas
- Визуализация данных в Matplotlib
- Обучение с учителем в Scikit-learn
- Обучение без учителя в Scikit-learn.
- Обучение без учителя в Scikit-learn и введение в итоговый проект
- Консультация по итоговому проекту
5 недель — 10 уроков
Проекты
- Предсказание цен на недвижимость
II четверть
Сбор данных и статистическое исследование
Познакомитесь с теорией вероятностей и математической статистикой. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Научитесь работать с RESTful/SOAP-сервисами, форматами XML и JSON в Python, а также познакомитесь с особенностями открытых данных (OpenData).
Библиотеки Python для Data Science: продолжение
- Введение в задачу классификации. Постановка задачи и подготовка данных.
- Анализ данных и проверка статистических гипотез.
- Построение модели классификации.
- Оценка и интерпретация полученной модели. Обсуждение курсового проекта.
2 недели — 4 урока
Методы сбора и обработки данных из сети Интернет
- Основы клиент-серверного взаимодействия. Парсинг API
- Парсинг HTML. BeautifulSoup, MongoDB
- Системы управления базами данных MongoDB и SQLite в Python
- Парсинг HTML. XPath
- Scrapy
- Парсинг фото и файлов
- Selenium в Python
- Работа с данными
4 недели — 8 уроков
Введение в математический анализ
- Вводный урок
- Множество. Последовательность. Часть 1
- Множество. Последовательность. Часть 2
- Предел функции. Часть 1
- Предел функции. Часть 2
- Производная функции одной переменной. Часть 1
- Производная функции одной переменной. Часть 2
- Производная функции нескольких переменных. Часть 1
- Производная функции нескольких переменных. Часть 2
- Интеграл. Ряды. Часть 1
- Интеграл. Ряды. Часть 2
5 недель — 11 уроков
Теория вероятностей и математической статистике
- Случайные события. Вероятные события. Условная вероятность. Формула Байеса
- Дискретные случайные величины. Закон распределения вероятностей. Биноминальный закон распределения. Распределение Пуассона
- Основы математической статистики. Количественные характеристики популяции. Графическое представление данных
- Непрерывные случайные величины. Функция распределения и функция плотности. Нормальное распределение. Центральная предельная теорема
- Проверка статистических гипотез. P-значения. Доверительные интервалы
- Взаимосвязь величин. Показатели корреляции. Корреляционный анализ. Проверка на нормальность
- Линейная регрессия. Двухвыборочный t-тест. A/B-тестирование
- Дисперсионный анализ. Метод главных компонент. Логистическая регрессия
4 недели — 8 уроков
Проект
- Сбор информации по заданным критериям
- Разведочный анализ данных (EDA) на основе полученной информации
III четверть
Математика для Data Scientist
Рассмотрите математические аспекты алгоритмов, применяемых в Data Science: линейная и логистическая регрессия, градиентный спуск, метод ближайших соседей, кластеризация, деревья решений, случайный лес, градиентный бустинг. Поймете, как устроены алгоритмы на уровне математики.
Линейная алгебра
- Линейное пространство
- Матрицы и матричные операции
- Линейные преобразования
- Системы линейных уравнений
- Сингулярное разложение матриц
3 недели — 5 уроков
7 часов обучающего контента, 15 часов практики
Алгоритмы анализа данных
- Алгоритм линейной регрессии. Градиентный спуск
- Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск
- Логистическая регрессия. Log Loss
- Алгоритм построения дерева решений
- Случайный лес
- Градиентный бустинг (AdaBoost)
- Классификация с помощью KNN. Кластеризация K-means
- Снижение размерности данных
4 недели — 8 уроков
Проект
- Построение модели кредитного скоринга для банка
IV четверть
Машинное обучение
Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.
Машинное обучение в бизнесе
- Data-driven-подход на примере задачи маршрутизации заявок в helpdesk
- Профилирование пользователей. Сегментация: unsupervised learning (clustering, LDA/ARTM), supervised (multi/binary classification)
- Связь бизнес-показателей и DS-метрик
- Uplift-моделирование
- Задача оттока: варианты постановки, возможные способы решения
- Задача look-alike
- Интерпретация прогнозов модели (SHAP): объясняем поведение модели на отдельных наблюдениях
- Проверяем работу модели на практике: A/B-тестирование
- Интеграция. Итоговый проект
5 недель — 10 уроков
Рекомендательные системы
- Введение, примеры задач, бизнес- и ML-метрики
- Бейзлайны и детерминированные алгоритмы item-item
- Коллаборативная фильтрация
- Рекомендательные системы на основе контента
- Поиск похожих товаров и пользователей. Гибридные рекомендательные системы
- Двухуровневые модели рекомендаций
- Рекомендательные системы в бизнесе
- Консультация к курсовому проекту
4 недели — 8 уроков
Видеокурс от Мегафон + курсовой проект
- Видеотеория
- Курсовой проект
2 недели — 2 урока
Проект
- Рекомендательная система для интернет-магазина
- Прогнозирование оттока абонентов
- Алгоритм для определения вероятности подключения услуги
V четверть
Нейронные сети
Научитесь решать задачи Machne Learning с данными из соцсетей, геоданными, применением графов, а также познакомитесь с нейронными сетями. На практике познакомитесь с фреймворками для разработки нейронных сетей: Tensorflow, Keras, PyTorch.
Введение в нейронные сети
- Основы обучения нейронных сетей
- Keras
- TensorFlow
- Сверточные нейронные сети
- Рекуррентные нейронные сети
- Сегментация
- Детектирование объектов
- GAN
4 недели — 8 уроков
Фреймворк PyTorch для разработки искусственных нейронных сетей
- Введение в PyTorch
- CNN and LSTM for human action recognition
- Generative adversarial networks (GAN): генеративные сети
- Image Segmentation
- Face Detection and Emotion Recognition
3 недели — 5 уроков
Проект
- Распознавание и классификация изображений
VI четверть
Задачи ИИ
Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.
Введение в обработку естественного языка
- Предобработка текста
- Создание признакового пространства
- Embedding word2vec fasttext
- Тематическое моделирование. EM-алгоритм
- Part-of-Speech разметка, NER, извлечение отношений
- Классификация текста. Анализ тональности текста
- Сверточные нейронные сети для анализа текста
- Рекуррентные нейронные сети RNN LSTM GRU
- Языковое моделирование
- Машинный перевод. Модель seq2seq и механизм внимания
- Модель Transformer-1
- Модель Transformer-2
- Модель BERT и GPT
- Transfer learning
- Консультация по курсовому проекту. Создание чат-бота в Telegram
- Консультация по курсовому проекту. Создание чат-бота в Telegram
8 недель — 16 уроков
Глубокое обучение в компьютерном зрении
- Обработка изображений и компьютерное зрение
- Свёрточные нейронные сети (СНС)
- Продвинутые архитектуры свёрточных нейросетей
- Семантическая сегментация
- Детектирование объектов
- Metric learning
- Обработка видео
- Синтез изображений
4 недели — 8 уроков
Проект
- Определение эмоциональной окраски текста и классификация текстов
- Приложение, которое анализирует объекты на камере
- Чат-бот на основе искусственного интеллекта, который может общаться на любые темы
II четверть
Специализация
Изучите фреймворк PyTorch и углубитесь в работу с компьютерным зрением и обработкой естественного языка.
Введение в компьютерное зрение от Nvidia
- Обработка изображений и компьютерное зрение
- Свёрточные нейронные сети
- Продвинутые архитектуры свёрточных нейросетей
- Семантическая сегментация
- Детектирование объектов
- Metric learning
- Обработка видео
- Синтез изображений
4 недели — 8 уроков
12 часов обучающего контента, 24 часа практики
Фреймворк PyTorch для разработки искусственных нейронных сетей
- Введение в PyTorch
- Распознавание действий человека. Свёрточная нейронная сеть (CNN) и LSTM.
- Generative adversarial networks (GAN): генеративные сети
- Сегментация изображений
- Распознавание лиц и эмоций
3 недели — 5 вебинаров
10 часов теории, 15 часов практики
Введение в обработку естественного языка
- Предобработка текста
- Создание признакового пространства
- Разметка part-of-speech Распознавание именованных сущностей (NER). Извлечение отношений
- Классификация текста. Анализ тональности текста
- Свёрточные нейронные сети для анализа текста
- Рекуррентные нейронные сети. LSTM. Управляемые рекуррентные блоки (GRU)
- Модель Transformer
- Модель BERT
- Консультация по курсовому проекту. Создание чат-бота в Телеграме
4 недели — 10 уроков
15 часов теории, 30 часов практики
Проект
- Приложение, которое анализирует объекты на камере
- Чат-бот на основе искусственного интеллекта, который может общаться на любые темы
Вне четверти
Предметы с индивидуальным выбором даты старта
Вы можете формировать часть расписания самостоятельно и регулировать интенсивность обучения.
Подготовка к поиску работу
- Как составить резюме, которое точно заметят
- Составляем карту поиска работы
- Зачем нужны сопроводительные письма
- Что вас ждет на собеседовании с HR
2 недели — 4 урока
История развития
- Историческая справка
- Три парадигмы подходы в них
- Мифы и факты
- Философия сознания и краткое введение в нейрофизиологию
- Методы
- Сферы применения
- Смежные технологии и дальнейшее развитие
3 недели — 7 уроков
Алгоритмы и структуры данных на Python
- Введение в Алгоритмизацию и простые алгоритмы на Python
- Циклы, рекурсия, функции
- Массивы
- Эмпирическая оценка алгоритмов
- Коллекции. Модуль Collections
- Работа с динамической памятью
- Алгоритмы сортировки
- Графы
- Деревья. Хеш-функции
5 недель — 9 уроков
Введение в высшую математику
- Элементарная алгебра
- Введение в аналитическую геометрию. Графики на плоскости
- Элементы теории вероятностей
- Введение в линейную алгебру
2 недели — 4 урока
Спортивный анализ данных. Платформа Kaggle
- Введение в спортивный анализ данных, Exploration Data Analysis.
- Обзор основных алгоритмов машинного обучения, используемых в соревнованиях
- Построение надежных схем валидации решения, оптимизация целевых метрик
- Консультация №1
- Feature Engineering, Feature Selection. Часть 1
- Feature Engineering, Feature Selection. Часть 2
- Тюнинг гиперпараметров, построение ансамблей алгоритмов.
- Консультация №2.
- Курсовой проект: inclass соревнование на площадке kaggle
9 недель — 9 уроков
Язык R для анализа данных
- Начало работы в R
- Обработка данных для анализа
- Разведочный анализ данных в R
- Статистический анализ в R. Доверительный интервал и тест гипотезы
- Статистический анализ в R. Anova. Регрессионный анализ.
3 недели — 5 уроков
Визуализация данных в Tableau
- Знакомство с основным функционалом Tableau Desktop
- Вычисления и графики
- Сложные вычисления
- Использование TabPy для интеграции Python в Tableau
2 недели — 4 уроков
Сверточные нейронные сети в компьютерном зрении
- Введение в сверточные нейронные сети
- Влияние параметров архитектуры на свойства нейронной сети.
- Применение сверточных нейронных сетей в компьютерном зрении
2 недели — 3 урока
Проекты
- Соревнование на площадке Kaggle
Начало формы
Конец формы
Является вводным и знакомит слушателей с основами науки о данных и принципами работы искусственного интеллекта. Будет интересен и полезен не только тем, кто уже знаком с основами анализа данных и программированием, но и тем, кто не имеет бэкграунда в этой области.
За последние десятилетия во многих областях науки и индустрии стали накапливаться большие объемы данных, а также стали развиваться методы машинного обучения, позволяющие извлекать из этих данных знания и экономическую пользу. Сегодня методы анализа данных позволяют решать настолько сложные задачи, что в применении к ним всё чаще используют термин “искусственный интеллект”.
Задача — дать слушателям базовое представление о методах искусственного интеллекта, познакомить с терминологией и научить применять некоторые из методов для решения несложных задач.
Состоит из коротких видеолекций от 5 до 15 минут длиной. После каждого фрагмента лекции предлагаются не оцениваемые вопросы на понимание прослушанного материала. Если вам не удается ответить на вопрос, мы очень рекомендуем прослушать фрагмент еще раз и затем только переходить к следующему фрагменту лекции.
Программа
- Введение в искусственный интеллект
- Введение в машинное обучение
- Машинное обучение в задачах классификации
- Введение в машинное обучение: кластеризация и визуализация данных
- Введение в теорию вероятностей
- Введение в математическую статистику
- A/B тестирование
- Основы визуализации данных
- Введение в нейронные сети
- Нейронные сети в задачах распознавания изображений
- Нейронные сети в задачах стилизации изображений
- Другие задачи искусственного интеллекта: рекомендательные системы и ассоциативные правила
Результаты обучения
В результате усвоения курса слушатели научатся:
- Обучать несложные модели на готовых данных в Orange
- Интерпретировать статистические данные
- Проводить разведывательный анализ данных
- Понимать основные ошибки в рассуждениях на основе данных
- “Отличать случайное от неслучайного” — проверять гипотезы
- Грамотно визуализировать результаты исследований
Станьте Middle AI разработчиком за 7 месяцев и реализуйте собственный нейросетевой проект!
ЧТО БУДЕТ РЕЗУЛЬТАТОМ ОБУЧЕНИЯ
Вы станете Middle AI разработчиком за 7 месяцев вместо 2 лет самостоятельного изучения
Сильные навыки написания нейронных сетей
За 7 месяцев вы освоите более 32 реальных нейронных сетей: от самых простых до новейших и наиболее сложных нейронных сетей
Реализованный нейросетевой проект для себя или своей компании
На курсе вас ждет индивидуальная работа с наставником для достижения результата и консультации по реализации собственного проекта
Крутое портфолио, диплом и рекомендации для трудоустройства
Вы получите всё необходимое для старта работы в области машинного обучения или для получения более интересных задач и большей зарплаты на текущем месте
Программа
Основы Python
- Синтаксис Python
- Numpy
- Часть 1
- Часть 2
- Matplotlib и Seaborn
- Функции и модули
Базовая математика
- Матрицы и функции
8. Множества, бинарная логика, комбинаторика
9. Теория вероятностей и статистика. Часть 1
10. Теория вероятностей и статистика. Часть 2
Нейронные сети
- Введение в нейронные сети
12. Полносвязные сети, обучающая и тестовая выборки
13. Свёрточные нейронные сети
14. Обработка текстов с помощью нейросетей
15. Рекуррентные нейронные сети и одномерные свёрточные сети для обработки текстов
16. Нейронные сети для решения задачи регрессии
17. Полносвязные и рекуррентные нейронные сети для прогнозирования временных рядов
18. Прямые и свёрточные нейронные сети для обработки аудио сигналов
19. Автокодировщики
20. Вариационные автокодировщики, генеративные модели на базе автокодировщиков
21. Генеративные состязательные сети
22. Введение в генетические алгоритмы
23. Генетические алгоритмы для обучения нейронных сетей
24. Сегментация изображений
25. Алгоритмы кластеризации данных
26. Обучение с подкреплением
27. Генерация текста
28. Cегментация текста
29. Object Detection (обнаружение объектов)
30. Распознавание речи
Интеграция в Production
- Описание основных источников данных
32. Варианты хранения данных (структурированные, неструктурированные, бинарные)
33. Типы хранения данных
34. Методы получения данных из систем источников
35. Web-scrapping
36. Вторая и третья нормальные формы
37. Key-value структура данных
38. Схема данных
39. Витрины данных
40. Инструменты построения моделей данных
- Deep Learning
- Введение
- Продвинутый поток
- Машинное Обучение. Лекции
- Глубокое Обучение
Курс поможет войти в мир искусственного интеллекта, станет тем самым «быстрым стартом», который позволит познакомиться со сферой ИИ, а в дальнейшем начать исследования и/или карьеру в этой области.
Онлайн курс познакомит с базовыми областями искусственного интеллекта. В рамках курса раскрываются такие темы, как алгоритмы машинного обучения, нейронные сети, обработка текста и многие другие.
Курс рассчитан на четыре недели — по неделе на модуль. Каждое занятие состоит из видеолекций, посвященных определенной тематике, а также практических задач, которые помогут закрепить пройденный материал на практике.
Модули программы:
- Модуль 1: Машинное обучение
- Модуль 2: Компьютерное зрение
- Модуль 3: Обработка естественного языка
- Модуль 4: Математические идеи в анализе данных и искусственном интеллекте
Это первая часть программы интенсивной подготовки по спортивному программированию и ИИ RuCode Festival, реализуемой МФТИ совместно с Фондом развития Физтех-школ при поддержке Фонда президентских грантов.
Для кого этот курс
Курс рассчитан на учащихся старших классов школы и студентов младших и старших курсов технических специальностей, имеющих базовые знания по программированию и желающих развиваться в сфере искусственного интеллекта.
Программа курса
Машинное обучение
- Введение
- Линейные алгоритмы
- Метрики
- Алгоритмы. Выбор модели
- Домашнее задание
Компьютерное зрение
- Нейронные сети: основы
- Сверточные нейронные сети
- Практика: классификация картинок
- Задачи компьютерного зрения
- Популярные архитектуры (ResNet), дообучение нейронной сети
- Домашнее задание
Обработка естественного языка
- Введение в NLP
- Выделение признаков
- Word Embeddings
- Рекуррентные нейронные сети
- Рекуррентные нейронные сети на практике
- Домашнее задание
Математические идеи в анализе данных и искусственном интеллекте
- Делаем быстрое и простое решение. Жадный алгоритм
- Делаем быстрое и простое решение. Вероятностный подход
- Делаем быстрое и простое решение. Эмпирические наблюдения
- Подкрутка простых решений
- Классификация с помощью подсчета статистик
- Итоговое тестирование
Научитесь понимать технологии ИИ, Машинное обучение и Нейронные Сети, а также основы Программирования на Python
Чему вы научитесь
- Сможете различать между Машинным и Глубинным обучением и Нейронными сетями
- Узнаете, в каких областях применяются технологии Искусственного интеллекта и Машинного обучения, и что ждет ИИ в будущем
- Сможете решать простые реальные задачи с использованием алгоритмов машинного обучения в Excel и Python
- Научитесь основам программирования на Python
- Узнаете где находить данные для анализа
- Построите Нейронную Сеть для Предсказания Изображений
Программа:
Введение
- История развития
Основные понятия
- Различие между ИИ, Машинным обучением и Глубоким Обучением
- Примеры использования ИИ, МО и ГО в различных областях
Основные задачи и методы Машинного обучения
- Обучение с учителем и Обучение без учителя (Supervised vs Unsupervised learning)
- Регрессия. Метод наименьших квадратов. Пример решения в Excel.
- Классификация.
- Метод k-ближайших соседей. Решение задачи классификации.
- Кластеризация.
Ансамблирование в машинном обучении
- Ансамбли.
- Комитет большинства.
- Бэггинг.
- Случайный лес
Будущее ИИ завершение Теоретической части
Основы Программирования на Python
- Для тех, кто знает основы Python
- Установка Python. Дистрибутив Anaconda.
- Базовые команды в Python
- Оператор If — Else
- Оператор While. Функция Input
- Строки
- Списки и операции с ними
- Словари и операции с ними
Построение моделей Машинного обучения в Python
- Предсказание цен на квартиры с помощью метода линейной регрессии
- Предсказание ВВП от цен на нефть с помощью Линейной Регрессии
- Выжившие на Титанике. Модель классификации с помощью Метода Опорных Векторов
- Выжившие на Титанике. Модели Дерева решений, Случайного леса и Бэггинга
- Нейронные сети. Предсказание изображений одежды.
Бонус. Где находить Данные для Машинного обучения
- Открытые Датасэты для задач Машинного Обучения
Мы расскажем вам об основных понятиях Искусственного Интеллекта и машинного обучения. Вы познакомитесь с основными видами, алгоритмами и моделями, которые используются для решения абсолютно разных задач, и мы даже построим нашу собственную нейронную сеть. Мы даже попробуем создать вместе модели регрессии и классификации для решения конкретных практических примеров в Excel — для тех, кто не хочет ничего программировать.
Этот курс может стать своеобразным трамплином для развития вашей карьеры в области Искусственного интеллекта, машинного обучения и больших данных. На его основе вы сможете в дальнейшем выбрать уже ту конкретную область, в которой вы бы хотели развиваться и работать дальше. Нельзя не упоминуть, что специалисты в области ИИ и Big Data сегодня — одни из самых высокооплачиваемых и искомых на рынке (по разным оценкам всего на глобальном рынке сегодня около 300 000 специалистов по ИИ, в то время как спрос на них — несколько миллионов).
Для кого это нужно?
Подойдут любому:
- если вы окончили среднюю школу и имеете представление об основах математики, то никаких сложностей не возникнет.
- если вы студент, мечтающий зарабатывать на бурно развивающемся рынке специалистов по разработке нейросетей и Data Science – вы подходите!
- если вы специалист и хотите получить основной объем знаний в удобной упаковке и за короткое время, чтобы повысить свою ценность на рынке труда — записывайтесь или посетите бесплатный онлайн-вебинар.
О чем?
Полноценный месячный курс по нейронным сетям
- Основы искусственного интеллекта
Теоретическая часть, начиная с самых базовых понятий
- Основы математического анализа
Методы математической статистики, вычислительной математики
- Основы математического моделирования
Процесс моделирования, алгоритм создания нейросетевой или иной модели для решения практических задач
- Используемые технологии
Python и его библиотеки: Statsmodels, Pandas, Numpy, SciKit-Learn, Keras
Программа
Основы ИИ и практическая реализация
нейросетей на Python / С++
Урок 1
Введение в ИИ и алгоритмы машинного обучения
- Введение
- Классификация методов
- Типы задач, решаемых при помощи ИИ
- Сравнительный анализ распространенных алгоритмов машинного обучения
- Искусственные нейронные сети
- Этапы нейросетевого моделирования
- Домашнее задание
Урок 2
Искусственный нейрон и алгоритмы обучения НС прямого распространения
- Искусственный нейрон
- Многослойная нейронная сеть прямого распространения
- Обучение нейронной сети (теория)
- Алгоритмы обучения искусственной нейронной сети прямого распространения
- Обучение нейронной сети при помощи алгоритма обратного распространения ошибки
- Способы нормализации переменных
- Домашнее задание
Урок 3
Решение задачи аппроксимации МНК vs НС прямого распространения
- Общая постановка задачи аппроксимации
- Решение задачи аппроксимации и прогнозирования при помощи ИНС (теория)
- Решение задачи аппроксимации при помощи метода МНК
- Решение задачи аппроксимации при помощи готового ПО на Python, реализация ИНС
- Решение задачи аппроксимации при помощи готового ПО на Python, реализация МНК
- Домашнее задание
Урок 4
Основы программирования на Python без использования библиотек
- Основы программирования нейронных сетей на Python / C++ (особенности, библиотеки)
- Разработка ИНС прямого распространения на языке Python или С++ для решения задачи аппроксимации (последовательное написание кода)
- Домашнее задание
Урок 5
Решение задачи классификации при помощи НС на Python
- Общая постановка задачи классификации
- Решение задачи классификации при помощи ИНС
- Решение задачи классификации при помощи реализации ИНС на Python
- Домашнее задание
Урок 6
Нейронные сети Кохонена
- Нейронные сети Кохонена
- Алгоритм самообучения НС Кохонена
- Алгоритм самоорганизации НС Кохонена
- Постановка задачи кластеризации
- Практическая реализация НС Кохонена на Python
- Домашнее задание
Урок 7
Основы обработки данных для выборки
- Методы обработки выборки исходных данных
- Соответствие используемой структуре
- Непротиворечивость
- Репрезентативность
- Практическая часть – сверточные сети с использованием библиотек Keras / TensorFlow
- Выпускная работа (выбор темы)
Урок 8
Разбор выпускных работ
- Онлайн-разбор выпускных работ
- Ответы на вопросы
Чему вы научитесь
1
Фундамент знаний
Вы получите основательный фундамент базовых знаний в области логики, математической статистики и математического анализа.
2
Умение понимать то, что вы делаете
Вы сможете мыслить с точки зрения целесообразности применения того или иного метода для конкретных задач. Отсутствие слепого копирования чужих подходов.
3
Умение создавать собственные рабочие математические модели
Способность проводить математическое моделирование самостоятельно без использования готовых шаблонов, а также проверять работоспособность выбранного подхода и модели.
4
Научитесь решению реальных практических задач
В ходе прохождения вы самостоятельно освоите основы языка программирования Python и сможете использовать основные его библиотеки для решения задач прогнозирования, аппроксимации, распознавания изображений
5
Возможность дальнейшего роста в сфере ИИ / DataScience
Получите возможность расти и развиваться в сфере DataScience и/или искусственного интеллекта, т.к. приобретете базовый багаж знаний.
Программа
К каждому уроку прилагаются полезные ссылки на современные сервисы и проекты.
Глава 1. Применение в творческих профессиях
- Как может быть полезен творческим профессиям
- Введение
- Что такое ИИ, машинное обучение, нейросети
- Экспертное мнение. Мир будущего
Тест по первому разделу
Глава 2. Искусственный интеллект для медиарынка
- Использование в журналистике: от сортировки информации до определения пропаганды
- Использование в видео и фото: поиск похожего, определение объектов, перерисовка видео с помощью нейросетей
- Использование в маркетинге и инфлюенс-маркетинге
- Экспертное мнение. Как ИИ помогает работать с мнением
Тест по второму разделу
Глава 3. Исплользование для рынка моды
- ИИ для fashion-индустрии: от рекомендательного сервиса до виртуальных стилистов
- Виртуальные примерочные в реальном времени
- Дизайн с помощью искусственного интеллекта
- Экспертное мнение. Нейросеть для гардероба
Тест по третьему разделу
Глава 4. Искусственный интеллект для искусства
- Картины, написанные нейросетью
- В музыке
- В литературе
- Новое искусство: ИИ как художник
- Экспертное мнение. Новое искусство
- Экспертное мнение. Определение подделок
Тест по четвертому разделу
Глава 5. Какие навыки нужны и где их получить
- Где творческому человеку получить знания об ИИ
- Какие специальности возникают на стыке гуманитарных наук и искусственного интеллекта
- Как можно развивать необходимые навыки вне вуза
- Экспертное мнение. Хакатоны для гуманитариев
Тест по пятому разделу
Благодаря новой инициативе Microsoft получить образование в области машинного обучения и искусственного интеллекта может любой желающий. Программа Microsoft Professional Program for Artificial Intelligence включает в себя десять курсов, которые проведут учащегося от азов разработки ИИ до создания собственного проекта.
Каждый длится три месяца и стартует в начале квартала. После вводного курса, в рамках которого ученики узнают общие принципы работы ИИ и познакомятся со сферами и способами его применения, начинаются практические занятия. Например, курс по использованию языка Python для обработки данных или курс, который включает в себя занятия по визуализации данных на Python и R.
Практика чередуется с более сложной теорией. Так, в программу включен материал по математике, состоящий из необходимых элементов линейной алгебры, теории вероятностей, математической статистики и оптимизации. Завершающая часть программы состоит из наиболее сложных материалов: моделирование данных для машинного обучения, глубокие нейросети, обучение с подкреплением, обработка естественного языка, распознавание речи и образов.
Помимо технических занятий учащиеся пройдут курс по этике ИИ: они узнают о юридических и моральных вопросах, связанных с обработкой персональных данных и построением систем искусственного интеллекта.
Этапы образовательной программы
1 этап
Онлайн марафон
На протяжении двух дней эксперты расскажут, какое место технологии искусственного интеллекта занимают в современном мире, и как каждый может найти в нём себя.
2 этап
8-недельная образовательная программа
Программа нацелена на изучение разных тем, связанных с технологиями искусственного интеллекта и решение практических заданий. Это поможет понять, какая технология подходит именно тебе.
3 этап
Открытые онлайн курсы
Здесь у начинающих слушателей будет возможность пройти полноценную программу по Big Data, а у подготовленных (читайте — у тех, кто владеет основами языка Python, математики, статистики и теорвера) будет возможность пройти программу обучения по Data Science.
4 этап
Live coding battle
На этом этапе у вас появится возможность попрактиковаться в первых задачах машинного обучения в турнирном формате. Идея очень простая: вам даётся несколько задач для решения. Вы самостоятельно их решаете и загружаете варианты для проверки в платформу. Кто первый решил все задачи и сделал это быстрее — тот победил.
5 этап
Хакатон (Идеатон)
Финальный этап для студентов технических специальностей, нацеленный на знакомство с форматом чемпионата вживую. Нужно только внимательно изучить требования к мероприятию и быть готовыми создать «что-то из ничего» за несколько дней (или даже часов).
10 самых популярных курсов по запросу artificial intelligence
- AI For Everyone: DeepLearning.AI
- Machine Learning: Stanford University
- IBM Applied AI: IBM
- Deep Learning: DeepLearning.AI
- AI Foundations for Everyone: IBM
- Introduction to Artificial Intelligence (AI): IBM
- IBM AI Engineering: IBM
- Mathematics for Machine Learning: Imperial College London
- AI in Healthcare: Stanford University
- Machine Learning Engineering for Production (MLOps): DeepLearning.AI
В результате успешного освоения курса студенты будут: • знать ключевые векторы развития медиаиндустрии; основных поставщиков ПО, обучающих данных и участников экосистемы искусственного интеллекта; ключевые принципы работы рекомендательных сервисов, систем реального времени и искусственного интеллекта; • уметь использовать современные технологии для медиапланирования и управления рекламными кампаниями; • владеть навыками работы с обучающими данными; навыками анализа применимости тех или иных алгоритмов для решения задач формирования персональных рекомендаций.
Планируемые результаты обучения
- Знает ключевые векторы развития медиаиндустрии, как искусственный интеллект и большие данные создают новый ландшафт медиакоммуникаций; основных поставщиков ПО, обучающих данных и участников экосистемы искусственного интеллекта. Понимает основные принципы работы искусственного интеллекта, знает основные отличия от методов математической статистики и традиционных подходов к анализу и прогнозированию.
- Владеет навыками работы с обучающими данными, понимает, где и как можно собрать данные, какие открытые источники данных существуют, как выбрать подходящие данные из открытых источников, в каком объеме данные нужны для решения конкретной задачи. Понимает основные принципы передачи знаний, знает, где можно взять предобученную модель и как адаптировать к своим задачам.
- Понимает основные принципы работы рекомендательных сервисов, владеет навыками анализа применимости тех или иных алгоритмов для решения задач формирования персональных рекомендаций.
- Понимает основные принципы работы систем реального времени. Использует менные технологии для медиапланирования и управления рекламными кампаниями.
- Владеет инструментами извлечения знаний из медиаконтента для задач рекламодателей.
Содержание учебной дисциплины
- Введение в теоретическую часть и базовые определения
История возникновения искусственного интеллекта и принципы его работы. Обзор основных видов архитектур нейронных сетей и практические примеры решаемых задач. Обзор экосистемы технологий искусственного интеллекта: основные поставщики и продукты. Ключевые отличия от традиционных технологий прогнозирования.
- Обучающие данные и передача знаний.
Сбор и подготовка данных для обучения и проверки моделей. Обзор открытых и коммерческих источников внешних данных. Претренированные модели как инструмент передачи концентрированных знаний.
- Рекомендательные системы и прогнозирование потребления.
Обзор существующих технологии и инструментов. Новый подход к анализу потребительских предпочтений, тенденция персонализации потребления. Разбор и анализ бизнес-кейсов.
- ТВ-программатик. Прогнозирования TV рейтингов. Медиапланирование в режиме реального времени.
Цели и задачи прогнозирования медиапотребления. Обзор традиционных подходов к решению задачи. Применение новых технологии для решения задач прогнозирования. Медиапланирование TV кампаний. Планирование в режиме реального времени, автоматизация процесса принятия решений для рекламодателя. Разбор и анализ бизнес-кейса.
- Актуальные тренды развития.
Новые возможности по извлечению знаний из медиа контента. Примеры применения. Разбор и анализ бизнес-кейса.
Это базовый вводный курс в мир искусственного интеллекта. Включает в себя 5 основных модулей, полезные ссылки и глоссарий и предназначен для любого человека, который хочет набраться вдохновения, а также концептуальной и практической базы для изучения искусственного интеллекта (AI).
Рассчитан на 6 недель изучения с нагрузкой от 4 -6 часов в неделю (в зависимости от сложности раздела).
Модули состоят из видеолекций от 8 до 15 минут, к видеоматериалу прилагется дословная расшифровка.
Рекомендуется для практикующих и начинающих журналистов, блогеров, студентов факультетов журналистики вузов стран Центральной Азии.
Требуется минимальное владение информационными компьютерными технологиями (на уровне опытного пользователя ПК ).
Создан в рамках проекта IWPR CA “Развитие новых медиа и цифровой журналистики в Центральной Азии” при сотрудничестве со Школой Данных Кыргызстана. Материалы размещаются на платформе медиашколы, и будут доступны только зарегистрировавшимся участникам. Все курсы, созданные в рамках проекта, являются собственностью IWPR СA и могут быть использованы для других проектов, на усмотрение IWPR СA.
Что вы изучите?
- Что такое искусственный интеллект и что он умеет?
- Примеры применения AI в журналистике
- Основные понятия при работе в Python
- Алгоритмы линейной регрессии
- Логистическую регрессию и принцип ее работы
- Что такое данные и для чего они нужны?
Мы сформировали базовый курс, в формате от А-Я, который позволит освоить востребованную сферу — искусственного интеллекта с нуля.
Разработан для:
1) Предпринимателей. Вот некоторые аспекты, как применить ИИ в бизнесе: маркетинг и реклама, виртуальные помощники или собеседники (чат-боты), анализ рынка и прогнозы продаж.
2) Наемных специалистов. Уже сейчас зарплата специалистов в сфере искусственного интеллекта варьируется от 130 000 до 300 000 руб. (по сост. на декабрь 2019). Дальше она будет только расти.
3) Разработчику, который планирует подхватить новый тренд, найти клиентов в сфере ИИ и связать свою работу с новыми технологиями цифровой экономики.
4) Специалистов смежных профессий. Огромную ценность сегодня представляют специалисты в ИИ на стыке профессиональных областей — банки, маркетинг, управленческий учет, продажи, госслужба, медицина, юриспруденция.
Наиболее значимые темы:
- Введение в системы ИИ;
- История развития представлений и способы программирования;
- Правовые и теоретические основы профессиональной деятельности;
- Логические способы программирования;
- Экспертные системы, построение нейронных сетей;
- Ключевые проекты в сфере — ELIZA, SHRDLU, MYCIN, Deep Blue, AlphaGo, IBM Watson.
- Прикладное применение — в таких областях, как государственное управление, здравоохранение, безопасность, транспорт, промышленность, коммерция, творчество, наука, образование;
- Современные тенденции развития технологий в России и мире;
- Популярные мифы о ИИ;
- Смежные технологии с ИИ — квантовые технологии и нанотехнологии.
Повышайте свою ценность сегодня, приступите к изучению прямо сейчас!
Что дает курс
- Сможете претендовать на высокооплачиваемую работу, на высокие позиции в перспективных компаниях
- Узнаете, на что способен ИИ в таких областях, как государственное управление, здравоохранение, безопасность, транспорт, промышленность, коммерция, творчество, наука, образование
- Сможете полноценно ориентироваться в самой перспективной технологии цифровой экономики – ИИ
- Вы сможете давать экспертную позицию в СМИ
- Сможете консультировать предпринимателей и компании по внедрению
ПРЕДМЕТНЫЕ ОБЛАСТИ, ИЗУЧАЕМЫЕ В ПРОГРАММЕ:
- Наука о данных
- Машинное обучение
- Машинное зрение
- Обработка естественных языков
- Программирование на Python
СТРУКТУРА ПРОГРАММЫ
ПРОГРАММА ВКЛЮЧАЕТ ЧЕТЫРЕ МОДУЛЯ:
ВДОХНОВЕНИЕ
- МОДУЛЬ
Исследование возможностей ИИ и обсуждение проблем, связанных с реализацией ИИ;
ПРИОБРЕТЕНИЕ ЗНАНИЙ
- МОДУЛЬ
Обучение базовым концепциям ИИ через решение практик нетехнических задач;
ОПЫТ
- МОДУЛЬ
Глубокое погружение в ИИ через практику и решение технических задач. В модуле обучение возможен выбор одного из трех направлений: наука о данных, машинное обучение, машинное зрение. Написание программ на языке Python является сквозным элементом каждого из направлений;
ПРИМЕНЕНИЕ ЗНАНИЙ
- МОДУЛЬ
Создание социально направленных проектов с использованием элементов искусственного интеллекта.
МОДЕЛИ РЕАЛИЗАЦИИ ПРОГРАММЫ
На уровне образовательной организации могут быть использованы следующие модели реализации программы.
МОДЕЛЬ 1. « ДОПОЛНИТЕЛЬНОЕ ОБРАЗОВАНИЕ»
Модель может быть реализована в рамках системы основного или дополнительного образования. Программа рассчитана на весь учебный год и направлена на углубление знаний, развитие интересов, способностей учащихся, их профессиональное самоопределение.
Длительность от 72 до 144 часов.
МОДЕЛЬ 2. «ПРОЕКТНАЯ ДЕЯТЕЛЬНОСТЬ»
Программа может быть реализована в рамках проектной деятельности, курса «Индивидуальный проект» или внеурочной деятельности. Модули программы могут стать дополнением к материалам для подготовки к олимпиаде по НТИ или профильным конкурсам и соревнованиям в направлении ИИ.
Длительность от 72 до 144 часов.
МОДЕЛЬ 3. «ЛАБОРАТОРИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»
Модель предполагает создание лабораторий ИИ на базе образовательного учреждения. В рамках лаборатории могут проводиться обучающие занятия, STEM мероприятия, работа над проектами, разработка и реализация проектных решений в области ИИ под руководством группы технических экспертов. Занятия в лаборатории могут служить дополнением профильного учебного предмета или специализации.
Длительность обучения от 72 до 144 часов.
- Начало – 1-е число каждого месяца
- Лекции на русском и английском с автоматическим синхронным переводом
- Преподаватели и авторы программ – профессора из лучших вузов США
- Международный опыт общения и нетворкинг
- Продолжительность – 8 месяцев
- Нагрузка 20 ак. часов в неделю, можно совмещать с основной работой, учебой
- Поддержка кураторов
- Сертификат международного образца
Слушатели изучают передовые концепции машинного обучения, в том числе деревья решений, QUEST-алгоритм применительно к номинальным, порядковым и непрерывным функциям и недостающим данным.
В ходе изучения машинного обучения подробно рассматривается C5.0-алгоритм и его ключевые функции, такие как глобальная оптимизация и сокращение. Слушатели изучают продвинутые вопросы анализа, применительно к деревьям решений, таким как прогнозирование и упаковка.
Курс охватывает четыре основные темы:
- Машинное обучение и нейронные сети;
- Создание стоимости на всех этапах цепочки создания продукта (проектирование, производство, продвижение и продажа) и в различных отраслях (розничная торговля, электроэнергетика, производство, здравоохранение и образование);
- Элементы трансформации искусственного интеллекта (прецеденты/источники ценности, экосистема данных, методы и инструменты, интеграция в рабочие процессы);
- Использование искусственного интеллекта в розничной торговле, электроэнергетике, производстве, здравоохранении и образовании.
Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.
- Длительность 19 месяцев
- Помощь в трудоустройстве
- 7 курсов в одной программе
- Доступ к курсу навсегда
На рынке не хватает специалистов по Data Science
- 500 компаний,
включая Сбербанк, Яндекс и Тинькофф, ищут специалистов по Data Science
- 100 000 рублей
зарплата начинающего специалиста
Кому подойдёт этот курс
- Людям без подготовки в IT
Вы получите базовые навыки по программированию, аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning. Сможете использовать свои знания сразу на практике.
- Программистам
Вы прокачаете свои знания и навыки в программировании на Python и R. Подтянете математику и умение мыслить как аналитик, использовать алгоритмы машинного обучения для решения бизнес-задач — и усилите портфолио мощными проектами.
- Менеджерам и владельцам бизнеса
Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведёте компанию на новый уровень.
Чему вы научитесь
- Программировать на Python
Освоите самый популярный язык для работы с данными.
- Визуализировать данные
Сможете разрабатывать дашборды или интерактивную инфографику.
- Работать с библиотеками и базами данных
Научитесь работать с библиотеками Pandas, NumPy и Matpotlib и освоите базы данных PostgreSQL, SQLite3, MongoDB.
- Применять нейронные сети для решения реальных задач
Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras. Узнаете, как устроены нейронные сети для задач компьютерного зрения и лингвистики.
- Строить модели машинного обучения
Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.
- Создавать рекомендательные системы
Построите рекомендательную систему и добавите её в своё портфолио.
Заботимся, чтобы каждый построил карьеру мечты
Специалисты Skillbox из Центра карьеры помогут вам получить первую стажировку и приглашение на работу мечты
За 2021 год мы трудоустроили более 1000 студентов на работу по новой профессии
Как проходит обучение
- Изучаете тему
В курсе — практические видеоуроки.
- Выполняете задания
В том темпе, в котором вам удобно.
- Работаете с преподавателем
Закрепляете знания и исправляете ошибки.
- Защищаете дипломную работу
И дополняете ею своё портфолио.
Программа
Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.
- 82 тематических модуля
- 288 онлайн-уроков
- Python для Data Science
- Введение в Data Science
- Введение в Python
- Основы
- Операторы, выражения
- Условный оператор if, ветвления
- Условный оператор if: продолжение
- Цикл while
- For: циклы со счетчиком
- For: циклы со счетчиком, часть 2. Функция range
- Цикл for: работа со строками
- Вложенные циклы
- Числа с плавающей точкой (int/float)
- Функции
- float 2
- Установка и настройка IDE
- Базовые коллекции: Cписки
- Методы для работы со списками
- List comprehensions
- Базовые коллекции: Строки
- Базовые коллекции: словари и множества
- Базовые коллекции: Кортежи
- Функции — Рекурсия
- Работа с файлами
- Исключения: работа с ошибками
- Введение в ООП
- Основные принципы ООП
- Итераторы и генераторы
- Аналитика. Начальный уровень
- Библиотека NumPy: методы анализа массивов
- Библиотека NumPy: способы преобразования массивов
- Библиотека pandas: индексация и выбор данных
- Библиотека pandas: применение функций, группировка, сортировка
- Основы визуализации данных с помощью Matplotlib
- Продвинутая визуализация с Matplotlib
- Визуализация с Seaborn
- Мастер-класс: разведочный анализ (EDA)
- Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов
- Чтение и запись данных: CSV, XLSX
- Основы SQL
- Чтение и запись данных: JSON, MongoDB
- Работа со строками
- Курсовая работа. Часть 1. Подготовка аналитического отчёта для HR-отдела. На основе аналитики необходимо составить рекомендации для отдела кадров по стратегии набора персонала и взаимодействию с сотрудниками
- Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте»
- Статистика и теория вероятностей
- Основы статистики и теории вероятностей
- Как врать при помощи статистики
- Основы математики для Data Science
- Базовые математические объекты и SymPy. Дроби и преобразования
- Базовые математические объекты и SymPy. Функции и дополнительные объекты
- Функции одной переменной, их свойства и графики
- Интерполяция и полиномы: квадратичные и кубические функции
- Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия
- Аппроксимация и работа с производными
- Функции нескольких переменных, их свойства и графики
- Частные производные функции нескольких переменных
- Векторы и матрицы. Градиент
- Линейная регрессия и системы линейных уравнений
- Разложение матриц. Собственные векторы и значения
- Машинное обучение. Начальный уровень
- Основные концепции Machine Learning (ML)
- Жизненный цикл ML-проекта
- Регрессия: метрики качества, преобразование входных данных
- Регрессия: регуляризация и градиентный спуск
- Классификация: kNN, наивный байесовский классификатор, деревья решений
- Классификация: метрики качества классификации и многоклассовая классификация
- Кластеризация
- Дополнительные техники: понижение размерности
- Дополнительные техники: бустинг и стекинг
- Знакомство с Kaggle
- Курсовая работа. Проанализировать данные телекоммуникационной компании и спрогнозировать отток пользователей на основе демографических характеристик, услуг, которыми они пользуются, длительности пользования услугами, метода и размера оплаты
- Машинное обучение. Средний уровень
- Введение в нейронные сети
- Обучение нейронных сетей
- Нейронные сети на практике
- Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
- Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
- Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
- Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
- Детектирование объектов. Задачи классификации и локализации
- Детектирование объектов. Анализ и реализация R-CNN-архитектуры
- Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
- От дискриминативных моделей к генеративным. Style transfer
- Генеративные состязательные сети
- Введение в NLP
- NLP на нейросетях. Рекуррентные нейросети, классификация текстов
- NLP на нейросетях. Языковые модели, Attention, Transformer
- Обучение с подкреплением. Q-Learning
- Обучение с подкреплением. Deep Q-Learning
- Ускорение и оптимизация нейронных сетей
- Внедрение DL моделей в production
- Введение в рекомендательные системы и задачи ранжирования
- Современные подходы к построению рекомендательных систем
- Универсальные знания программиста
- Как стать первоклассным программистом
- Вёрстка email-рассылок. Советы на реальных примерах
- The state of soft skills
- Как мы создавали карту развития для разработчиков
- Как общаться по email и эффективно работать с почтой
- Повышение своей эффективности
- Спор о первом языке программирования
- Саморазвитие: как я не усидел на двух стульях и нашёл третий
- Data-driven подход к продуктивности — инсайты из данных миллиона людей
- Протокол HTTP
- Введение в алгоритмы
- Английский для IT-специалистов
- IT Resume and CV
- Job interview: questions and answers
- Teamwork
- Workplace communication
- Business letter
- Software development
- System concept development and SRS
- Design
- Development and Testing
- Deployment and Maintenance
Дипломные проекты
- Рекомендательная система для онлайн-гипермаркета Instacart
Проект-соревнование на платформе Kaggle. Вы используете анонимные данные о заказах клиентов, чтобы предсказать, какие продукты будут в их следующем чеке. Создадите рекомендательную систему для сайта и рекламных коммуникаций.
- Система по распознаванию эмоций
Проект-соревнование на платформе Kaggle. Это подразумевает написание воспроизводимого кода, генерирующего csv-файл с ответами, в котором для каждого изображения с лицом человека указана его наиболее вероятная эмоция. В итоге вы реализуете собственный проект в области компьютерного зрения.
Ваше резюме после обучения
- Должность Специалист по машинному обучению
- Зарплата от: 100 000 ₽
Профессиональные навыки:
- Владение Python для машинного обучения
- Применение алгоритмов машинного обучения
- Работа с различными источниками данных: CSV, XML и XLS
- Написание рекомендательных систем
- Работа с базами данных MongoDB, PostgreSQL, SQLite3 и SQL
- Работа с нейронными сетями
- Работа с библиотеками pandas, numpy, matplotlib
Диплом Skillbox
Подтвердит, что вы прошли курс, и станет дополнительным аргументом при устройстве на работу.
