Вы научитесь
• Различать ключевые понятия: четко определять разницу между искусственным интеллектом, машинным и глубоким обучением, а также понимать принципы работы полносвязных, свёрточных и рекуррентных нейросетей.
• Классифицировать задачи ML: самостоятельно определять тип проблемы (классификация, регрессия, кластеризация) и выбирать подходящий метод обучения — с учителем (supervised), без учителя (unsupervised) или с подкреплением (reinforcement learning).
• Работать с данными: оценивать качество датасетов, проводить базовую подготовку данных, разделять их на обучающие и тестовые выборки для корректной проверки моделей.
• Ориентироваться в индустрии ИИ: подбирать релевантные примеры применения технологий под конкретные бизнес-кейсы в промышленности, медицине, финансах и транспорте.
• Настраивать рабочую среду: устанавливать Python, Jupyter Notebook и основные библиотеки (TensorFlow, PyTorch, Scikit-learn) через pip, создавая готовую базу для написания первых программ.
• Читать код и интерпретировать результаты: понимать логику базовых скриптов на Python и делать выводы о качестве работы простых алгоритмов.
Аудитория курса
• Начинающие специалисты в области ИИ, желающие получить базовые знания и навыки
• Программисты и разработчики, стремящиеся изучить ИИ и машинное обучение
• Менеджеры и руководители проектов, заинтересованные в использовании ИИ для улучшения бизнес-процессов
Требования к предварительной подготовке слушателя
• Базовые знания программирования на Python
• Понимание основных математических и статистических концепций
Содержание курса
Модуль 1. Введение в искусственный интеллект
• Основы искусственного интеллекта
• Определение ИИ и его происхождение
• История развития ИИ.
• Важные вехи и прорывы в области ИИ.
• Основные ученые и их вклад в ИИ.
• Основные понятия: машинное обучение, глубокое обучение, нейронные сети
• Различия между ИИ, машинным обучением и глубоким обучением.
• Что такое нейронные сети и как они работают.
• Примеры нейронных сетей: полносвязные, свёрточные, рекуррентные.
• Применения искусственного интеллекта
• Обзор областей применения ИИ
• Промышленность: автоматизация производства, предиктивное обслуживание.
• Медицина: диагностика заболеваний, персонализированное лечение.
• Финансовый сектор: управление рисками, торговые стратегии.
• Развлечения: рекомендательные системы, создание контента.
• Транспорт: автономные транспортные средства, оптимизация маршрутов.
• Успешные примеры внедрения ИИ
• Установка и использование инструментов
• Установка и настройка необходимых инструментов
• Обзор популярных инструментов и библиотек для ИИ (Python, TensorFlow, PyTorch, Scikit-learn).
• Установка Python и Jupyter Notebook.
• Установка библиотек через pip.
Модуль 2. Основы машинного обучения
• Введение в машинное обучение
• Основные концепции и типы машинного обучения
• Что такое машинное обучение и как оно отличается от традиционного программирования.
• Основные методы машинного обучения: supervised learning, unsupervised learning, reinforcement learning.
• Роль данных в машинном обучении
• Важность качества данных.
• Методы сбора и подготовки данных.
• Понятие "обучающая выборка" и "тестовая выборка".
• Обучение с учителем и без учителя
• Различия между обучением с учителем и без учителя
• Основные концепции и примеры supervised learning и unsupervised learning.
• Преимущества и недостатки каждого подхода.
• Примеры задач: классификация, регрессия, кластеризация
• Классификация: распознавание изображений, спам-фильтры.
• Регрессия: предсказание цен на жилье, прогнозирование продаж.
• Кластеризация: сегментация клиентов, обнаружение аномалий.
