Введение в искусственный интеллект вшэ экзамен

Начало занятий: гибкие сроки

Срок обучения: 12 недель

Выдаваемый документ: Сертификат не выдаётся

За последние десятилетия человечество накопило большие объемы данных в разных областях науки и индустрии. Получили распространение методы, позволяющие извлекать из этих данных знания и экономическую пользу. Современные методы анализа данных позволяют решать настолько сложные задачи, что в применении к ним всё чаще используют термин “искусственный интеллект”.

Наука об автоматическом извлечения знаний из данных называется машинное обучение, именно это тема будет первая в курсе. Во второй части курса вы познакомитесь с основами статистики и теории вероятности, а последняя часть курса будет посвящена искусственным нейронным сетям.

В процессе обучения вы узнаете больше о мире искусственного интеллекта, его методах и даже самостоятельно научитесь обучать несложные модели на готовых данных. Онлайн курс от ВШЭ позволит вам дистанционно получить новые знания, которые вы сможете использовать как для дальнейшей учебы, так и для научных исследований и работы.

Курс 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.

На каждой неделе будет представлен оцениваемый тест из 10-15 вопросов. Также для нескольких тем будут предложены расчетные задачи и задания с взаимным оцениванием. Эти задания помогут закрепить полученные знания.

Особых требований к обучающимся нет.

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

1. Введение в искусственный интеллект
2. Введение в машинное обучение
3. Машинное обучение в задачах классификации
4. Введение в машинное обучение: кластеризация и визуализация данных
5. Введение в теорию вероятностей
6. Введение в математическую статистику
7. A/B тестирование
8. Основы визуализации данных
9. Введение в нейронные сети
10. Нейронные сети в задачах распознавания изображений
11. Нейронные сети в задачах стилизации изображений
12. Другие задачи искусственного интеллекта: рекомендательные системы и  ассоциативные правила

Выполните тестирование по теме, впишите верные ответы. Критерии оценивания указаны ниже.

Критерии тестирования:

Заполните форму регистрации

Роман Душкин

Instagram: instagram.com/roman.dushkin

• Эксперт в области систем искусственного интеллекта
• Создатель действующей системы поддержки принятия решений в МЧС для реагирования на различные катастрофы
• Состоит в Российской Ассоциации Искусственного Интеллекта
• Автор 20 книг по искусственному интеллекту, математике, квантовым вычислениям и функциональному программированию

Константин Воронцов

• Профессор факультета компьютерных наук НИУ «ВШЭ»
• Разработал один из наиболее популярных в России курсов по машинному обучению, который сейчас читает в Школе анализа данных «Яндекса»
• Обучил в Coursera более 100 тысяч человек

Евгений Соколов

Facebook: facebook.com/evgeny.sokolov.91

• Ведущий специалист по обработке данных в «Яндекс.Дзен»
• Старший преподаватель и заместитесь заведующего кафедрой больших данных и информационного поиска в НИУ« ВШЭ»
• Обучил в Coursera более 250 тысяч человек

Евгений Рябенко

Facebook: facebook.com/riabenko

• Бывший доцент «Высшей школы экономики» и Московского физико-технического института
• Имеет 10-летний опыт работы в области науки о данных
• Преподавал прикладную статистику в МГУ, Школе анализа данных «Яндекса» и Harbour.Space University в Барселоне

Евгений Соколов

• Ведущий специалист по обработке данных в «Яндекс.Дзен»
• Старший преподаватель и заместитесь заведующего кафедрой больших данных и информационного поиска в НИУ «ВШЭ»
• Обучил в Coursera более 250 тысяч человек

Виктор Кантор

Instagram: instagram.com/victor.kantor

• Эксперт по машинному обучению
• Chief Data Scientist компании «МТС»
• Победитель рейтинга Forbes «30 до 30» (2020)

Константин Воронцов

• Профессор факультета компьютерных наук НИУ «ВШЭ»
• Разработал один из наиболее популярных в России курсов по машинному обучению, который сейчас читает в Школе анализа данных «Яндекса»
• Обучил в Coursera более 100 тысяч человек

Антон Слесарев

• Руководитель группы распознавания образов в «Яндексе»
• Обучил в Coursera более 10 тысяч человек

Ия Малахова

• Директор Департамента финансов в ПАО «Сбербанк»
• Получила степень Master of Arts in Economics в Российской экономической школе
• Получила степень MBA в Чикагской школе бизнеса имени Бута
• Работала в «СберБанке», «ЮниКредит Банке», «Альфа-Банке»

Андрей Духовный

• Начальник отдела моделирования риска ликвидности в SberUniversity
• Получил степень магистра на экономическом факультете в Академии народного хозяйства и государственной службы при Президенте РФ

Владимир Власов

• Получил степень кандидата экономических наук по специальности «Математические и инструментальные методы в экономике»
• Обладатель сертификата Executive MBA от бизнес-школы INSEAD
• Начальник Центра компетенции ERP «СберБанка»

Андрей Шестаков

• Руководитель группы предиктивной аналитики Mail.ru Group
• Выпускник МФТИ
• Обучил в Coursera более 10 тысяч человек

Елена Широкова

• Аналитик в команде Big Data компании «МегаФон»
• Выпускница МФТИ
• Обучила в Coursera более 10 тысяч человек

Санкт-Петербургский государственный университет

Сайт: spbu.ru
VK: vk.com/spb1724
Instagram: instagram.com/spb_university/

• Старейший вуз России, основанный в 1724 году
• Занимает 20 место среди 400 ведущих вузов мира в номинации «Взаимодействие с работодателями» рейтинга QS Graduate Employability 2018
• Реализует 418 образовательных программ

Эндрю Ын

Сайт: andrewng.org
Facebook: facebook.com/andrew.ng.96
Twitter: twitter.com/AndrewYNg

• Сооснователь Coursera
• Основатель DeepLearning.AI
• Доцент Стэнфордского университета
• Участвовал в написании более 100 научных работ в областях машинного обучения и робототехники
• Обучил в Coursera более 5 миллионов человек

Эндрю Ын

• Сооснователь Coursera
• Основатель DeepLearning.AI
• Доцент Стэнфордского университета
• Участвовал в написании более 100 научных работ в областях машинного обучения и робототехники
• Обучил в Coursera более 5 миллионов человек

Эндрю Ын

• Сооснователь Coursera
• Основатель DeepLearning.AI
• Доцент Стэнфордского университета
• Участвовал в написании более 100 научных работ в областях машинного обучения и робототехники
• Обучил в Coursera более 5 миллионов человек

Киан Катарфорош

Сайт: kiankatan.medium.com
Twitter: twitter.com/kiankatan

• Сооснователь Workera
• Сооснователь DeepLearning.AI
• Имеет степень магистра Стэнфордского университета
• Обучил в Coursera более миллиона человек

Юнес Бенсуда Морри

Twitter: twitter.com/ymourri

• Преподаёт искусственный интеллект в Стэнфордском университете
• Разработчик учебных программ Coursera
• Обучил в Coursera более миллиона человек

Microsoft

Сайт: microsoft.com

• Одна из крупнейших компаний по производству ПО и различного рода вычислительной техники
• Разработчик ОС Windows
• Продукция продаётся более чем в 80 странах мира
• В 2018 году заняла второе место в списке 500 лучших работодателей мира по мнению журнала Forbes

Андрей Созыкин

• Кандидат технических наук
• Автор 16 научных работ
• Проректор по развитию образовательной деятельности в Уральском федеральном университете

Андрей Созыкин

• Кандидат технических наук
• Автор 16 научных работ
• Проректор по развитию образовательной деятельности в Уральском федеральном университете

Джефф Лик

Twitter: twitter.com/jtleek

• Доцент кафедры биостатистики в Школе общественного здравоохранения Bloomberg Джона Хопкинса
• Доктор философии в области биостатистики
• Соредактор журнала Simply Statistics
• Обучил в Coursera более 1,3 миллиона человек

Роджер Пенг

Twitter: twitter.com/rdpeng

• Профессор биостатистики в Школе общественного здравоохранения Bloomberg Джона Хопкинса
• Доктор философии в области статистики
• Лауреат премии Мортимера Шпигельмана 2016 года от Американской ассоциации общественного здравоохранения
• Редактор журнала Biostatistics
• Обучил в Coursera более 1,3 миллиона человек

Брайан Каффо

Сайт: sites.google.com/view/bcaffo/home

• Профессор кафедры биостатистики в Школе общественного здравоохранения Bloomberg Джона Хопкинса
• Сооснователь SMART
• Лауреат многих престижных премий, в том числе Golden Apple и AMTRA
• Обучил в Coursera более 1,3 миллиона человек

Эмили Фокс

Сайт: homes.cs.washington.edu/~ebfox

• Профессор машинного обучения на кафедре статистики Вашингтонского университета
• Имеет степень доктора философии
• Лауреат многих престижных премий
• Была удостоена почётных наград, в том числе премии NSF CAREER Awards
• Возглавляет команду Health AI в Apple

Себастьян Трун

Twitter: twitter.com/sebastianthrun

• Профессор компьютерных наук в Стэнфордском университете
• Руководил разработкой роботизированного автомобиля Stanley
• В 2011 году получил Исследовательскую премию имени Макса Планка
• Сооснователь Udacity

Эмили Фокс

• Профессор машинного обучения на кафедре статистики Вашингтонского университета
• Имеет степень доктора философии
• Лауреат многих престижных премий
• Была удостоена почётных наград, в том числе премией NSF CAREER Awards
• Возглавляет команду Health AI в Apple

Карлос Гестрин

• Профессор машинного обучения на факультете компьютерных наук и инженерии Вашингтонского университета
• Сооснователь и генеральный директор Datto Inc

Май Нгуен

• Ведущий специалист по анализу данных в Суперкомпьютерном центре Сан-Диего
• Получила степень магистра и доктора философии
• Преподаёт с 2009 года

Илкай Алтинтас

Twitter: twitter.com/ilkayaltintas

• Главный специалист по науке о данных в Суперкомпьютерном центре Сан-Диего
• Один из инициаторов и активный участник популярной научной системы документооборота Kepler
• Получила степень доктора философии в Амстердамском университете в Нидерландах

Стоимость: Рассрочка на 31 месяц — 4 879 ₽ / мес

• 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:

1. Первый уровень: базовая подготовка
   Среднее время прохождения — 5 месяцев.

• Введение в Data Science

1. Продвинутый уровень: погружение в Machine Learning и трудоустройство
   Среднее время прохождения — 4 месяца.

• Machine Learning. Junior
• Трудоустройство с помощью Центра карьеры.

1. Экспертный уровень. Выбор специализации
   Среднее время прохождения — 3 месяца.

• Machine Learning. Advanced
• Deep Learning
• Специализация Natural Language Processing
• Специализация 2. Computer Vision

1. 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.

Стоимость: 129 900 ₽ или рассрочка на 24 месяца — 5 412 ₽ / мес

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

Стоимость: Рассрочка до 36 месяцев — от 4 862 ₽ / мес

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

Стоимость: нет информации

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

1. Введение в искусственный интеллект
2. Введение в машинное обучение
3. Машинное обучение в задачах классификации
4. Введение в машинное обучение: кластеризация и визуализация данных
5. Введение в теорию вероятностей
6. Введение в математическую статистику
7. A/B тестирование
8. Основы визуализации данных
9. Введение в нейронные сети
10. Нейронные сети в задачах распознавания изображений
11. Нейронные сети в задачах стилизации изображений
12. Другие задачи искусственного интеллекта: рекомендательные системы и  ассоциативные правила

Результаты обучения

В результате усвоения курса слушатели научатся:  

1. Обучать несложные модели на готовых данных в Orange
2. Интерпретировать статистические данные
3. Проводить разведывательный анализ данных
4. Понимать основные ошибки в рассуждениях на основе данных
5. “Отличать случайное от неслучайного” — проверять гипотезы
6. 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

1. Синтаксис Python
2. Numpy
3. Часть 1
4. Часть 2
5. Matplotlib и Seaborn
6. Функции и модули

Базовая математика

1. Матрицы и функции
   8. Множества, бинарная логика, комбинаторика
   9. Теория вероятностей и статистика. Часть 1
   10. Теория вероятностей и статистика. Часть 2

Нейронные сети

1. 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

1. 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

1. Введение
2. Линейные алгоритмы
3. Метрики
4. Алгоритмы. Выбор модели
5. Домашнее задание

Компьютерное зрение

1. Нейронные сети: основы
2. Сверточные нейронные сети
3. Практика: классификация картинок
4. Задачи компьютерного зрения
5. Популярные архитектуры (ResNet), дообучение нейронной сети
6. Домашнее задание

Обработка естественного языка

1. Введение в NLP
2. Выделение признаков
3. Word Embeddings
4. Рекуррентные нейронные сети
5. Рекуррентные нейронные сети на практике
6. Домашнее задание

Математические идеи в анализе данных и искусственном интеллекте

1. Делаем быстрое и простое решение. Жадный алгоритм
2. Делаем быстрое и простое решение. Вероятностный подход
3. Делаем быстрое и простое решение. Эмпирические наблюдения
4. Подкрутка простых решений
5. Классификация с помощью подсчета статистик
6. 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

1. Введение
2. Классификация методов
3. Типы задач, решаемых при помощи ИИ
4. Сравнительный анализ распространенных алгоритмов машинного обучения
5. Искусственные нейронные сети
6. Этапы нейросетевого моделирования
7. Домашнее задание

Урок 2

Искусственный нейрон и алгоритмы обучения НС прямого распространения

1. Искусственный нейрон
2. Многослойная нейронная сеть прямого распространения
3. Обучение нейронной сети (теория)
4. Алгоритмы обучения искусственной нейронной сети прямого распространения
5. Обучение нейронной сети при помощи алгоритма обратного распространения ошибки
6. Способы нормализации переменных
7. Домашнее задание

Урок 3

Решение задачи аппроксимации МНК vs НС прямого распространения

1. Общая постановка задачи аппроксимации
2. Решение задачи аппроксимации и прогнозирования при помощи ИНС (теория)
3. Решение задачи аппроксимации при помощи метода МНК
4. Решение задачи аппроксимации при помощи готового ПО на Python, реализация ИНС
5. Решение задачи аппроксимации при помощи готового ПО на Python, реализация МНК
6. Домашнее задание

Урок 4

Основы программирования на Python без использования библиотек

1. Основы программирования нейронных сетей на Python / C++ (особенности, библиотеки)
2. Разработка ИНС прямого распространения на языке Python или С++ для решения задачи аппроксимации (последовательное написание кода)
3. Домашнее задание

Урок 5

Решение задачи классификации при помощи НС на Python

1. Общая постановка задачи классификации
2. Решение задачи классификации при помощи ИНС
3. Решение задачи классификации при помощи реализации ИНС на Python
4. Домашнее задание

Урок 6

Нейронные сети Кохонена

1. Нейронные сети Кохонена
2. Алгоритм самообучения НС Кохонена
3. Алгоритм самоорганизации НС Кохонена
4. Постановка задачи кластеризации
5. Практическая реализация НС Кохонена на Python
6. Домашнее задание

Урок 7

Основы обработки данных для выборки

1. Методы обработки выборки исходных данных
   • Соответствие используемой структуре
   • Непротиворечивость
   • Репрезентативность
2. Практическая часть – сверточные сети с использованием библиотек Keras / TensorFlow
3. Выпускная работа (выбор темы)

Урок 8

Разбор выпускных работ

1. Онлайн-разбор выпускных работ
2. 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. 

Стоимость: нет информации

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).

Стоимость: разная стоимость

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

Стоимость: нет информации

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.

Стоимость: нет информации

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:

1. Введение в системы ИИ;
2. История развития представлений и способы программирования;
3. Правовые и теоретические основы профессиональной деятельности;
4. Логические способы программирования;
5. Экспертные системы, построение нейронных сетей;
6. Ключевые проекты в сфере — ELIZA, SHRDLU, MYCIN, Deep Blue, AlphaGo, IBM Watson.
7. Прикладное применение — в таких областях, как государственное управление, здравоохранение, безопасность, транспорт, промышленность, коммерция, творчество, наука, образование;
8. Современные тенденции развития технологий в России и мире;
9. Популярные мифы о ИИ;
10. 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

Стоимость: нет информации

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

1. МОДУЛЬ

Исследование возможностей ИИ и обсуждение проблем, связанных с реализацией ИИ;

ПРИОБРЕТЕНИЕ ЗНАНИЙ

1. МОДУЛЬ

Обучение базовым концепциям ИИ через решение практик нетехнических задач;

ОПЫТ

1. 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

1. 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.

Стоимость: Рассрочка на 31 месяц — 6 154 ₽ / мес

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

1. Программировать на Python

Освоите самый популярный язык для работы с данными.

1. Визуализировать данные

Сможете разрабатывать дашборды или интерактивную инфографику.

1. Работать с библиотеками и базами данных

Научитесь работать с библиотеками Pandas, NumPy и Matpotlib и освоите базы данных PostgreSQL, SQLite3, MongoDB.

1. 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.

1. Строить модели машинного обучения

Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.

1. 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

1. Изучаете тему

В курсе — практические видеоуроки.

1. Выполняете задания

В том темпе, в котором вам удобно.

1. Работаете с преподавателем

Закрепляете знания и исправляете ошибки.

1. 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

1. Python для Data Science
   1. Введение в Data Science
   2. Введение в Python
   3. Основы
   4. Операторы, выражения
   5. Условный оператор if, ветвления
   6. Условный оператор if: продолжение
   7. Цикл while
   8. For: циклы со счетчиком
   9. For: циклы со счетчиком, часть 2. Функция range
   10. Цикл for: работа со строками
   11. Вложенные циклы
   12. Числа с плавающей точкой (int/float)
   13. Функции
   14. float 2
   15. Установка и настройка IDE
   16. Базовые коллекции: Cписки
   17. Методы для работы со списками
   18. List comprehensions
   19. Базовые коллекции: Строки
   20. Базовые коллекции: словари и множества
   21. Базовые коллекции: Кортежи
   22. Функции — Рекурсия
   23. Работа с файлами
   24. Исключения: работа с ошибками
   25. Введение в ООП
   26. Основные принципы ООП
   27. Итераторы и генераторы
2. Аналитика. Начальный уровень
   1. Библиотека NumPy: методы анализа массивов
   2. Библиотека NumPy: способы преобразования массивов
   3. Библиотека pandas: индексация и выбор данных
   4. Библиотека pandas: применение функций, группировка, сортировка
   5. Основы визуализации данных с помощью Matplotlib
   6. Продвинутая визуализация с Matplotlib
   7. Визуализация с Seaborn
   8. Мастер-класс: разведочный анализ (EDA)
   9. Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов
   10. Чтение и запись данных: CSV, XLSX
   11. Основы SQL
   12. Чтение и запись данных: JSON, MongoDB
   13. Работа со строками
   14. 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
   15. Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте»
3. Статистика и теория вероятностей
   1. Основы статистики и теории вероятностей
   2. Как врать при помощи статистики
4. Основы математики для Data Science
   1. Базовые математические объекты и SymPy. Дроби и преобразования
   2. Базовые математические объекты и SymPy. Функции и дополнительные объекты
   3. Функции одной переменной, их свойства и графики
   4. Интерполяция и полиномы: квадратичные и кубические функции
   5. Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия
   6. Аппроксимация и работа с производными
   7. Функции нескольких переменных, их свойства и графики
   8. Частные производные функции нескольких переменных
   9. Векторы и матрицы. Градиент
   10. Линейная регрессия и системы линейных уравнений
   11. Разложение матриц. Собственные векторы и значения
5. Машинное обучение. Начальный уровень
   1. Основные концепции Machine Learning (ML)
   2. Жизненный цикл ML-проекта
   3. Регрессия: метрики качества, преобразование входных данных
   4. Регрессия: регуляризация и градиентный спуск
   5. Классификация: kNN, наивный байесовский классификатор, деревья решений
   6. Классификация: метрики качества классификации и многоклассовая классификация
   7. Кластеризация
   8. Дополнительные техники: понижение размерности
   9. Дополнительные техники: бустинг и стекинг
   10. Знакомство с Kaggle
   11. 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
6. Машинное обучение. Средний уровень
   1. Введение в нейронные сети
   2. Обучение нейронных сетей
   3. Нейронные сети на практике
   4. Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
   5. Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
   6. Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
   7. Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
   8. Детектирование объектов. Задачи классификации и локализации 
   9. Детектирование объектов. Анализ и реализация R-CNN-архитектуры
   10. Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
   11. От дискриминативных моделей к генеративным. Style transfer
   12. Генеративные состязательные сети
   13. Введение в NLP
   14. NLP на нейросетях. Рекуррентные нейросети, классификация текстов
   15. NLP на нейросетях. Языковые модели, Attention, Transformer
   16. Обучение с подкреплением. Q-Learning
   17. Обучение с подкреплением. Deep Q-Learning
   18. Ускорение и оптимизация нейронных сетей
   19. Внедрение DL моделей в production
   20. Введение в рекомендательные системы и задачи ранжирования
   21. Современные подходы к построению рекомендательных систем
7. Универсальные знания программиста
   1. Как стать первоклассным программистом
   2. Вёрстка email-рассылок. Советы на реальных примерах
   3. The state of soft skills
   4. Как мы создавали карту развития для разработчиков
   5. Как общаться по email и эффективно работать с почтой
   6. Повышение своей эффективности
   7. Спор о первом языке программирования
   8. Саморазвитие: как я не усидел на двух стульях и нашёл третий
   9. Data-driven подход к продуктивности — инсайты из данных миллиона людей
   10. Протокол HTTP
   11. Введение в алгоритмы
8. Английский для IT-специалистов
   1. IT Resume and CV
   2. Job interview: questions and answers
   3. Teamwork
   4. Workplace communication
   5. Business letter
   6. Software development
   7. System concept development and SRS
   8. Design
   9. Development and Testing
   10. 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.