Фоновый баннер

Искусственный интеллект, машинное обучение и нейронные сети

Даты уточняйте у сотрудников Учебного центра Иконка Иконка

Дата: -

Цена: 52000 руб.

Записаться на курс

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.

Краткая программа курса

  • Введение в искусственный интеллект, машинное обучение и нейронные сети. Типы машинного обучения.
  • Регрессия. Линейная регрессия. Функции потерь. Градиентный спуск. Полиномиальная регрессии. Scikit-Learn. Метрики качества регрессии.
  • Разведывательный анализ данных. Предварительная обработка и очистка данных. Отбор и конструирование признаков.
  • Недообучение и переобучение. Оптимизация процесса обучения.
  • Классификация. Бинарная и многоклассовая классификация. Логистическая регрессия. Метрики качества классификации.
  • Метод k-ближайших соседей. Метод опорных векторов.
  • Деревья решений. Ансамблирование. Бустинг.
  • Кластеризация. Метод k-средних. DBSCAN.
  • Обнаружение аномалий. Сравнение основных методов обнаружения аномалий.
  • Введение в обработку естественного языка. Наивный байесовский классификатор. Классификация документов.
  • Введение в глубокое обучение. Нейрон. Модель перцептрона. Классификация изображений
  • Многослойный перцептрон. Функции активации и функции потерь. Обратное распространение.
  • Фреймворки для глубокого обучения (Keras, TensorFlow, PyTorch)
  • Сверточные нейронные сети. Рекурентные нейронные сети.
  • Трансформеры. Механизм внимания. Большие языковые модели (LLM). Fine-Tuning. RAG.
  • Введение в обработку и генерацию текста при помощи LLM. Промпт-инжиниринг.
  • Генерация графики при помощи text-to-image моделей.

Отзывы по курсу