Основное внимание в курсе уделено разработке систем искусственного интеллекта с использованием языка Python и современных библиотек. Курс проводится в формате лекций и практических занятий, что способствует глубокому пониманию теоретических основ и их применению на практике. В программе предусмотрены домашние задания и проектные работы, выполняемые после учебного дня, что позволяет закрепить полученные знания и подготовиться к реальным задачам в индустрии ИИ.
Предварительные требования: Для успешного прохождения программы слушатели должны владеть:
- основами программирования на Python;
-
элементарными знаниями математики и статистики;
-
базовыми навыками работы с ПК и интернетом.
По окончании курса слушатели смогут:
- разрабатывать скрипты и приложения на Python для анализа данных и обучения моделей;
-
реализовывать классические алгоритмы машинного обучения с использованием scikit-learn;
-
создавать и оптимизировать нейронные сети с TensorFlow и Keras;
-
применять современные методы обработки естественного языка и обучения с подкреплением;
-
интегрировать и и развертывать ИИ-системы в реальных приложениях, используя подходы MLOps.
Цель курса:
Обучение созданию систем искусственного интеллекта на Python, начиная с классических алгоритмов машинного обучения и заканчивая глубокими нейронными сетями и современными подходами к интеграции и развёртыванию ИИ-решений. Курс также знакомит слушателей с трендами в области MLOps, позволяющими автоматизировать и оптимизировать жизненный цикл моделей.
Аудитория курса:
Данная программа предназначена для разработчиков, студентов, специалистов по анализу данных и всех, кто стремится освоить методы создания систем искусственного интеллекта на Python. Курс подойдёт как для тех, кто уже имеет базовые навыки программирования, так и для тех, кто хочет расширить свои знания в области ИИ и машинного обучения.
Модуль 1: Основы Python для ИИ и введение в машинное обучение (8 часов)
- Введение в Python для искусственного интеллекта: особенности языка, экосистема и роль Python в разработке ИИ-систем.
-
Установка и настройка среды разработки: PyCharm, Jupyter Notebook, VS Code – выбор и настройка инструментария.
-
Основы синтаксиса Python: переменные, типы данных, операторы, функции и модули.
-
Работа с библиотеками для обработки данных: NumPy и pandas: основы работы с массивами и табличными данными.
-
Практическое занятие: разработка простых скриптов для анализа и визуализации данных.
Модуль 2: Методы машинного обучения и классические алгоритмы (10 часов)
Модуль 3: Глубокое обучение и нейронные сети (10 часов)
- Введение в глубокое обучение: ключевые концепции, отличие глубокого обучения от классических методов.
-
Построение нейронных сетей: перцептроны, многослойные нейронные сети, функции активации.
-
Работа с TensorFlow и Keras: создание, обучение и оценка моделей нейронных сетей.
-
Современные архитектуры нейронных сетей: сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), LSTM.
-
Интеграция OpenCV для компьютерного зрения. Основы работы с OpenCV, предобработка изображений, детекция объектов.
-
Практическое занятие: разработка модели глубокого обучения для задач компьютерного зрения или обработки последовательностей. Разработка модели глубокого обучения для задач компьютерного зрения с использованием OpenCV.
Модуль 4: Разработка специализированных систем ИИ: NLP и Reinforcement Learning (6 часов)
- Обработка естественного языка (NLP): основы NLP, токенизация, векторизация текста, использование NLTK и spaCy.
-
Модели трансформеров и современные подходы в NLP: обзор моделей BERT, GPT и их применение в реальных задачах.
-
Введение в обучение с подкреплением (Reinforcement Learning): основные принципы, алгоритмы Q-Learning и Deep Q-Networks.
-
Практическое занятие: реализация модели для анализа текстов и/или создание базовой RL-системы.
Модуль 5: Интеграция и развёртывание систем ИИ (6 часов)
- Проектирование комплексного ИИ-решения: постановка задачи, сбор и подготовка данных, выбор алгоритмов.
-
Интеграция моделей в приложения: разработка REST API с использованием Flask/Django, контейнеризация моделей.
-
Введение в MLOps: CI/CD для моделей, мониторинг, обновление и оптимизация ИИ-систем.
-
Тестирование и оптимизация: оценка производительности, профилирование и устранение узких мест.
-
Практическое занятие: разработка и презентация итогового проекта с развертыванием модели в реальном приложении.
