Введение в науку о данных (Data Science). Прикладное использование искусственного интеллекта (ИИ)

Код: ITC-ИИ

Курс об основах науки о данных, её ключевых особенностях, классах решаемых задач. Курс включает практические примеры использования готовых моделей\инструментов в реальной жизни для решения производственных задач слушателей. 

В рамках данного курса будут рассмотрены основные понятия (наука о данных, машинное обучение, искусственный интеллект, нейронные сети), виды и типы решаемых с помощью данного подхода задач. В том числе рассмотрены подходы к оценке качества полученных моделей. Будут рассмотрены хитрости, которые помогают модели смотреть на изображение и «анализировать его», что есть текст для искусственного интеллекта (ИИ) и как он с ним работает, с помощью какого направления ИИ учатся играть в шахматы и т. д.

В рамках практических занятий будет рассмотрено несколько примеров работающих решений, которые можно применять на практике при решении текущих рабочих задач. 
Например, многим из нас необходимо выступать или слать письма с интересными изображениями, без авторских прав, поэтому в рамках одной из практических работ можно будет создать «с нуля» на основе текстового запроса нужное себе изображение, для слайда или письма. Когда нам надо написать письмо или рассказ по определенной теме, а искать нужную информацию по сайтам долго и недостаточно интересно, можно воспользоваться «ИИ поисковиком», который просмотрит за вас сразу несколько статей, которые можно найти через поисковик, проанализирует их и даст некоторую краткую выжимку, содержащую всю нужную информацию, со ссылками на источники для, тех кто хочет проверить, что же там происходит.

Формат проведения

-

Продолжительность

30 академических часов

Вендор

ITCloud
vendor

Вы научитесь

  • понимать основные аспекты, лежащие в основе современных инструментов ИИ, а также понимать, что действительно может быть решено с их помощью, а где крайне далеко до полноценного решения;
  • понимать, какие задачи, возникающие в работе и в жизни, можно попробовать решить с помощью данного подхода. 

Аудитория курса

Для всех, кто заинтересован в понимании, что же такое Наука о данных, что реально она из себя представляет, какие задачи могут быть решены её методами. Понимания основ программирования и теории вероятности будет бонусом.

Требования к предварительной подготовке слушателя

Уверенный пользователь ПК.

Готовность изучать новое, быть открытым к современным технологиям.

Содержание курса

Основы Data Science.

  • Основные понятия и их отличие: -Data Science, -Машинное обучение, -Искусственный Интеллект.
  • Подход к решению задач с помощью машинного обучения. 
  • Ключевое отличие от традиционного программирования.
Виды и типы задач в машинном обучении.

  • Основные типы обучения: обучение с учителем и без учителя, их различия. 
  • Основные типы задач: классификация, регрессия, кластеризация, на основе практических примеров.
Данные в машинном обучении.

  • Что такое данные, типы данных, примеры на каждый тип данных. Понятия агрегации, типы агрегации. 
  • Что такое выбросы, проблема ликов в данных, основы статистики. Основы статистики. 
  • Базовые подходы к обработке каждого из типов данных. 
  • Очистка данных, зачем она нужна. 
  • Способы заполнения пропущенных значений, их виды и особенности.
Практическое занятие №1. Формирование практического навыка написания и обработки текста с использованием нейронных сетей. 
На данной практике каждый участник сделает несколько запросов (промптов) для генерации и изменения текста.

Разделение данных на подвыборки.

  • Обучающий, проверочный (валидационный) и отложенный (тестовая) набор данных. 
  • Генеральная совокупность. 
  • Методы разделения.  
  • Особенности в задачах классификации и при наличии зависимости значений от времени.
Процесс обучения моделей.

  • Определение обучения модели. 
  • Как происходит обучение для каждого типа модели. 
  • Функция потерь. Как происходит её расчет. 
  • Для чего нужна функция потерь. 
  • Вектор градиент (метод градиентного спуска.)
Практическое занятие №2. Формирование навыка взаимодействия с нейронной сетью при оформлении различных документов: подбор оформлений для писем, изображения для презентации и т. д. 
На данной практике каждый участник сделает несколько запросов (промптов) для генерации изображений, будет рассмотрена необходимость писать достаточный объем запроса для лучшего качества итогового изображения.

Этапы разработки и жизненный цикл модели.

  • Этапы работ в проектах по машинному обучению. 
  • Описание каждого этапа работ, последовательности, результатов и особенностей на примере «Управление энергоресурсами c применением ИИ».
  • Классические алгоритмы машинного обучения. • Какие бывают алгоритмы, на основе чего строятся. 
  • От простейших линейных алгоритмов, до ансамблей решающих деревьев. 
  • В чем особенности их работы, когда стоит применять.
Нейронные сети.

  • Что такое нейронные сети, из чего они состоят, что стоит за термином глубокое обучение. 
  • Почему нейросети популярны. 
  • В каких задачах нейросети имеют преимущество.
Как оценивать модели машинного обучения.

  • Виды метрик качества, что именно они показывают, как рассчитываются, часто используемые виды под каждый из типов задач. 
  • Что такое функция, вероятность, как объем данных влияет на достоверность оценки модели.
Машинное зрение (CV).

  • Какие задачи можно решать с помощью машинного обучения над изображениями и видео. 
  • Как компьютер видит изображения, способы работы с матрицами.
  • Сверточные нейронные сети.
Интерпретация моделей машинного обучения.

  • Как можно понять на основании чего модель принимает решения.
  • Зависимость интерпретируемости от сложности архитектуры алгоритма.
  • Feature importance – значимость признаков, на которые модель опирается при построении прогноза. 
  • Объяснения точечных прогнозов.
Natural Language Processing (NLP) - обработка естественного языка.

  • Термин Natural Language Processing (NLP) - обработка естественного языка, примеры задач. 
  • Основные подходы к обработке слов. 
  • Мешок слов, TF-IDF - их плюсы и минусы. 
  • Рекуррентные нейронные сети. 
  • Понятие контекста в предложении. 
  • Почему обычные алгоритмы плохо справляются с обработкой предложений. 
Обучение с подкреплением (RL).

  • Обучение с подкреплением, особенности подхода, основные понятия, в каких задачах используется.
Практическое занятие № 3. Задача распознавание голоса, особенности распознавания. Примеры использования в работе и в повседневной жизни.

GAN – Генеративно-состязательные нейросети.

  • Что означают генеративно-состязательные нейросети.
  • Из чего состоят(генератор и дискриминатор). 
  • История развития, особенности подхода, проблема deep-fake.
  • Основные сложности обучения.
Практическое занятие № 4. Модели искусственного озвучивания текста (Вокодер).
  • Проблемы интонации и акцента.
  • Генерация вокала для композиции.
В данной практике на примере генерации песни будет рассмотрена возможность применения и использования моделей «Вокодеров», каждый участник создаст собственную композицию.

Практическое занятие № 5. Использование ИИ для написания небольших фрагментов кода по визуализации и анализу данных.
На данной практике участники смогут написать свой код, даже без знаний синтаксиса языка.

Практическое занятие № 6. Итоговое практическое задание, на котором участники совместят несколько инструментов для генерации презентации на выбранную тему, подбор информации, генерация тезисов, изображения для оформления слайдов и пр.

Затрудняетесь
с выбором курса?

Оставьте заявку на консультацию

Отправляя заявку, вы соглашаетесь с условиями обработки персональных данных

Как происходит обучение в АйТи Клауд

01 Выбор курса

В Учебном центре «АйТи Клауд» Вы можете подобрать курсы с полезным для Вас содержанием. УЦ «АйТи Клауд» готов предложить 1200+ программ различной тематики и степени сложности. Мы проводим курсы, авторизованные производителями ИТ, и также авторские программы от ведущих ИТ-экспертов.

02 Процесс обучения

Вы можете пройти обучение в различных форматах:

  • в очном - на территории Учебного центра либо территории Заказчика,

  • онлайн - на российской онлайн-платформе в режиме реального времени, через интернет, с выполнением всех необходимых практических заданий под онлайн-руководством преподавателя. 


03 Выдача документов

По завершении обучения Вы получите удостоверение о повышении квалификации или сертификат (если у Вас отсутствует диплом о высшем образовании). После обучения на авторизованных курсах Вам также будет выдан сертификат от производителя.

poster
Затрудняетесь
с выбором курса?

Оставьте заявку на консультацию

Отправляя заявку, вы соглашаетесь с условиями обработки персональных данных

Хотите преподавать в АйТи Клауд?

Если вы имеете компетенции и хотите работать тренером курсов в АйТи Клауд - оставьте ваши данные, мы свяжемся с вами!