17 курсов по искусственному интеллекту доступных для прохождения в 2024 году

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

Зарабатывайте в любых условиях:

• Получайте заказы на фрилансе или удаленке
• Стройте карьеру в компании или стартапе
• Развивайте свой бизнес

Гарантия трудоустройства закреплена в договоре. Если после успешного обучения, вы не найдёте работу, мы вернём вам деньги.

Почему нас выбирают:

• Живое общение

В курсе 70% вебинаров с преподавателями: вы сможете задать вопросы по теме и быстро получить обратную связь.

• Актуальная программа

Каждый месяц мы обновляем материал, чтобы вы получали актуальные знания.

• Постоянная практика

Вы сможете тренироваться на наших учебных стендах — специальной инфраструктуре, и добавите 14 кейсов в портфолио

• Методические материалы

После каждого занятия вы получите методички в формате Jupiter Notebook —  это мощный инструмент для интерактивных вычислений.

У курса два формата обучения:

1. живые вебинары;
2. видеоколлекции в записи.

Везде предусмотрены домашние задания и их проверка преподавателем.

Программа обучения:

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
• 14 проектов в портфолио
• 2 вебинара в неделю

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.

Курсы:

1. Встреча декана со студентами.

2. 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

3. 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

4. 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

5. Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn

• Введение в курс
• 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).

Курсы:

1. Библиотеки Python для Data Science: продолжение;
2. Методы сбора и обработки данных из сети Интернет;
3. Введение в математический анализ;
4. Теория вероятностей и математической статистике;

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.

Курсы:

1. Линейная алгебра
2. Алгоритмы анализа данных

Проект:

• Построение модели кредитного скоринга для банка

IV четверть:

Машинное обучение.

Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.

Курсы:

1. Машинное обучение в бизнесе
2. Рекомендательные системы
3. Видеокурс от Мегафон + курсовой проект

Проект:

• Рекомендательная система для интернет-магазина;
• Прогнозирование оттока абонентов;
• Алгоритм для определения вероятности подключения услуги.

II год

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.

Курсы:

1. Введение в нейронные сети
2. Фреймворк PyTorch для разработки искусственных нейронных сетей.

Проект:

Распознавание и классификация изображений.

VI четверть:

Задачи искусственного интеллекта.

Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.

Курсы:

1. Введение в обработку естественного языка
2. Глубокое обучение в компьютерном зрении

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.

Курсы:

1. Введение в компьютерное зрение от Nvidia
2. Фреймворк PyTorch для разработки искусственных нейронных сетей
3. Введение в обработку естественного языка

Проект:

Приложение, которое анализирует объекты на камере

Чат-бот на основе искусственного интеллекта, который может общаться на любые темы.

Курсы вне четверти:

Предметы с индивидуальным выбором даты старта.

Вы можете формировать часть расписания самостоятельно и регулировать интенсивность обучения.

1. Подготовка к поиску работы
2. История развития искусственного интеллекта
3. Алгоритмы и структуры данных на Python
4. Введение в высшую математику
5. Спортивный анализ данных. Платформа Kaggle
6. Язык R для анализа данных
7. Визуализация данных в Tableau
8. Сверточные нейронные сети в компьютерном зрении 

Проекты:

• Соревнование на площадке Kaggle

Вы получите диплом о профессиональной переподготовке.

• 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

1. Программировать на Python

Освоите самый популярный язык для работы с данными.

2. Визуализировать данные

Сможете разрабатывать дашборды или интерактивную инфографику.

3. Работать с библиотеками и базами данных

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

4. 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.

5. Строить модели машинного обучения

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

6. 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.

2. Выполняете задания

В том темпе, в котором вам удобно.

3. Работаете с преподавателем

Закрепляете знания и исправляете ошибки.

4. 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.

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

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

Нейронные сети

11. 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

31. 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

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. 

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?

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

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

2. МОДУЛЬ

Обучение базовым концепциям ИИ через решение практик нетехнических задач;

ОПЫТ

3. 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

4. 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.