Искусственный интеллект, машинное обучение и нейронные сети
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 глубокого обучения Tensorflow и Keras Особое внимание на курсе уделено практическим аспектам применения изучаемых алгоритмов на реальных примерах и датасетах
51 500₽
Для физ. лиц - 51 500₽
Для организаций - 57 500₽
Ближайшая группа
Дата уточняется
Целевая аудитория
Аналитики данных и специалисты по Data Science — желающие углубить знания в области машинного обучения и нейросетей
Программисты и разработчики — стремящиеся освоить современные инструменты и методы искусственного интеллекта для решения прикладных задач
Менеджеры и руководители проектов — которым важно понимать возможности и ограничения ИИ для внедрения технологий в бизнес-процессы
Студенты и начинающие специалисты — планирующие строить карьеру в сфере искусственного интеллекта и машинного обучения
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
51 500₽
Для физ. лиц - 51 500₽
Для организаций - 57 500₽
Преподаватели курса
Леонид Лукин
Все что нужно знать для эффективного использования ИИ, а также быстрого запуска прибыльных рекламных кампаний
Программа курса
- Типы машинного обучения
- Линейная регрессия
- Функции потерь
- Градиентный спуск
- Полиномиальная регрессия
- Scikit-Learn
- Метрики качества регрессии
- Предварительная обработка и очистка данных
- Отбор и конструирование признаков
- Недообучение и переобучение
- Оптимизация процесса обучения
- Бинарная и многоклассовая классификация
- Логистическая регрессия
- Метрики качества классификации
- Метод k-ближайших соседей
- Метод опорных векторов
- Деревья решений
- Ансамблирование
- Бустинг
- Метод k-средних
- DBSCAN
- Обнаружение аномалий
- Сравнение основных методов обнаружения аномалий
- Введение в обработку естественного языка
- Наивный байесовский классификатор
- Классификация документов
- Нейрон. Модель перцептрона. Классификация изображений
- Многослойный перцептрон
- Функции активации и функции потерь
- Обратное распространение ошибки
- Keras, TensorFlow, PyTorch
- Сверточные нейронные сети (CNN)
- Рекуррентные нейронные сети (RNN)
- Механизм внимания
- Большие языковые модели (LLM)
- Fine-Tuning
- RAG (Retrieval-Augmented Generation)
- Введение в обработку и генерацию текста при помощи LLM. Промпт-инжиниринг
- Генерация графики при помощи text-to-image моделей
Стоимость и условия оплаты
51 500₽
Для физ. лиц - 51 500₽
Для организаций - 57 500₽
