Использование искусственного интеллекта для оптимизации
направление:
Даты проведения курса
- 26.05.2025 Москва записаться
- 25.08.2025 Москва записаться
- 08.12.2025 Москва записаться
Программа сочетает в себе современные подходы, актуальные инструменты и прикладные кейсы, позволяя слушателям познакомиться с самыми свежими разработками и тенденциями в области AI для решения оптимизационных задач.
Формат обучения:
Обучение проводится дистанционно по будням с 10 до 14 часов по Мск.
Предварительная подготовка для успешного освоения курса:
Для того чтобы максимально эффективно пройти обучение по программе "Использование искусственного интеллекта для оптимизации" и успешно справиться с практическими заданиями и проектом, слушателям рекомендуется обладать следующими базовыми знаниями и навыками:
1. Базовое владение языком программирования Python:
Понимание основных конструкций языка (переменные, типы данных, циклы, условия, функции, классы).
Опыт работы с основными библиотеками для анализа данных: NumPy (для работы с массивами) и Pandas (для обработки табличных данных).
Базовое знакомство с Scikit-Learn будет плюсом.
2. Основы высшей математики:
Математический анализ: Понимание концепций производной, градиента (будет активно использоваться в методах оптимизации).
Линейная алгебра: Знание основ работы с векторами и матрицами (необходимо для понимания работы многих алгоритмов машинного обучения).
Теория вероятностей и математическая статистика: Базовые понятия (случайные величины, распределения, математическое ожидание, оценка параметров), так как они лежат в основе машинного обучения и анализа данных.
3. Базовое понимание концепций оптимизации:
Общее представление о том, что такое задача оптимизации, целевая функция, ограничения.
Знакомство с идеей поиска минимума/максимума функции будет полезным.
Для того чтобы максимально эффективно пройти обучение по программе "Использование искусственного интеллекта для оптимизации" и успешно справиться с практическими заданиями и проектом, слушателям рекомендуется обладать следующими базовыми знаниями и навыками:
1. Базовое владение языком программирования Python:
Понимание основных конструкций языка (переменные, типы данных, циклы, условия, функции, классы).
Опыт работы с основными библиотеками для анализа данных: NumPy (для работы с массивами) и Pandas (для обработки табличных данных).
Базовое знакомство с Scikit-Learn будет плюсом.
2. Основы высшей математики:
Математический анализ: Понимание концепций производной, градиента (будет активно использоваться в методах оптимизации).
Линейная алгебра: Знание основ работы с векторами и матрицами (необходимо для понимания работы многих алгоритмов машинного обучения).
Теория вероятностей и математическая статистика: Базовые понятия (случайные величины, распределения, математическое ожидание, оценка параметров), так как они лежат в основе машинного обучения и анализа данных.
3. Базовое понимание концепций оптимизации:
Общее представление о том, что такое задача оптимизации, целевая функция, ограничения.
Знакомство с идеей поиска минимума/максимума функции будет полезным.
4. Начальные знания в области машинного обучения (желательно, но не строго обязательно):
Общее представление о типах задач машинного обучения (классификация, регрессия, кластеризация).
Понимание разницы между обучением с учителем и без учителя.
Знакомство с базовыми метриками оценки качества моделей.
Наличие этого бэкграунда значительно ускорит понимание материала Модуля 3, но основы будут рассмотрены в курсе.
5. Аналитическое мышление и навыки решения проблем:
Способность формализовать задачу, выделять ключевые параметры и критерии.
Желание разбираться в сложных алгоритмах и применять их на практике.
Общее представление о типах задач машинного обучения (классификация, регрессия, кластеризация).
Понимание разницы между обучением с учителем и без учителя.
Знакомство с базовыми метриками оценки качества моделей.
Наличие этого бэкграунда значительно ускорит понимание материала Модуля 3, но основы будут рассмотрены в курсе.
5. Аналитическое мышление и навыки решения проблем:
Способность формализовать задачу, выделять ключевые параметры и критерии.
Желание разбираться в сложных алгоритмах и применять их на практике.
Преподаватель курса - Сергеев Олег
Цель курса:
1. Получить системное понимание основных подходов и технологий искусственного интеллекта, связанных с оптимизацией.
2. Научиться применять методы интеллектуального анализа данных, машинного обучения и оптимизационные алгоритмы в практических проектах.
3. Освоить современные инструменты (TensorFlow, PyTorch, Scikit-Learn и др.), применяемые в AI и оптимизации.
4. Развить навыки проектного мышления при решении оптимизационных задач на реальных бизнес-кейсах.
5. Познакомиться с перспективными направлениями: от классических методов до современных генеративных моделей (Large Language Models, Diffusion Models и т.п.) для решения сложных оптимизационных задач.