Подробнее о курсе
Краткое описание курса
Курс предназначен для получения фундаментальных знаний и практических навыков в области ИИ, машинного обучения и нейронных сетей
В первой части курса рассматриваются основные концепции машинного обучения, методы регрессии, классификации, кластеризации и обнаружения аномалий. Изучаются как популярные алгоритмы машинного обучения, так и практические аспекты анализа данных, их предварительная обработка, вопросы отбора признаков, оптимизации моделей и оценки качества обучения
Вторая часть посвящена глубокому обучению и нейронным сетям. Рассматриваются базовые архитектуры нейронных сетей (MLP, CNN, RNN и трансформеры), механизмы обучения, фреймворки глубого обучения Tensorflow и Keras
Особое внимание на курсе уделено практическим аспектам применения изучаемых алгоритмов на реальных примерах и датасетах
Цель курса
Дать прочные теоретические знания и развить практические навыки в области современных методов и технологий искусственного интеллекта, включая классическое машинное обучение и нейронные сети.
Преподаватель курса
- Эксперт Кластера «Искусственный интеллект» Российской Ассоциации Электронных Коммуникаций (РАЭК).
- Эксперт и член жюри проекта «Цифровой прорыв. Сезон: Искусственный интеллект». Реализуется в рамках федерального проекта «Искусственный интеллект» национальной программы «Цифровая экономика Российской Федерации». Организатор — АНО «Россия – страна возможностей».
- Разработка моделей машинного обучения для целей классификации, кластеризации и ранжирования, программная реализации систем на основе ИИ:
Классификатор вакансий на основе использования нейронных сетей CNN, LSTM, GRU - Разработка чат-ботов на основе ИИ с использованием LLM GPT-3, GPT-4 и фреймворка Botpress
- Разработка системы обнаружения аномалий трафика на площадках РСЯ Яндекс Директ и повышение эффективности контекстной рекламы на основе использования нейронных сетей
Получаемые знания и навыки
- Понимание фундаментальных концепций и терминологии в области ИИ, машинного обучения и нейронных сетей.
- Знание основных типов машинного обучения и их особенностей.
- Умение применять методы регрессии, классификации, кластеризации и обнаружения аномалий.
- Навыки разведочного анализа данных, предобработки данных, очистки и отбора признаков.
- Понимание проблем недообучения и переобучения, умение оптимизировать процесс обучения моделей.
- Знания и умение применять популярные алгоритмы машинного обучения: линейную и логистическую регрессию, k-ближайших соседей, деревья решений, ансамблевые методы.
- Навыки оценки качества моделей с использованием различных метрик.
- Понимание основ обработки естественного языка (NLP) и умение применять основные популярные методы NLP.
- Знание архитектур и принципов работы нейронных сетей: перцептрона, многослойных сетей (MLP), сверточных (CNN) и рекуррентных (RNN, LSTM) сетей, трансформеров.
- Понимание механизмов обучения нейронных сетей, функций активации и функций потерь.
- Умение использовать фреймворки глубокого обучения: Keras, TensorFlow.
- Навыки применения нейронных сетей для решения задач компьютерного зрения.
- Умение работать с рекуррентными сетями и трансформерами для обработки последовательных данных и текста.
- Знакомство с концепцией механизма внимания и больших языковых моделей (LLM).
- Навыки генерации текста с помощью LLM и изображений с помощью text-to-image моделей.
- Практические навыки реализации алгоритмов машинного обучения и нейронных сетей на языке Python.
Приобретенные знания и навыки позволят выпускникам курса успешно решать широкий спектр задач, связанных с анализом данных, построением интеллектуальных систем и применением методов ИИ в различных предметных областях.
