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

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.