Разработка систем искусственного интеллекта на Python

Вендор:

Авторский курс

Направление:

Программирование, Машинное обучение

Продукт:

Python

Код курса:

PTHN-ML-3

Длительность:

5 дней | 40 ак. часов

Цена:

2820 BYN ^{_{с НДС 20%}}

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.

Целевая аудитория

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.

Предварительные требования

основы программирования на Python
элементарные знания математики и статистики
базовые навыки работы с ПК и интернетом

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.

Приобретаемые знания и навыки

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 развертывать ИИ-системы в реальных приложениях, используя подходы MLOps

Программа курса

Модуль 1: Основы Python для ИИ и введение в машинное обучение

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

Основы машинного обучения: супервизорное и несупервизорное обучение, ключевые понятия и задачи
Алгоритмы классификации и регрессии: линейная регрессия, логистическая регрессия, SVM и их применение
Алгоритмы кластеризации и понижения размерности: K-средних, иерархическая кластеризация, применение PCA
Предобработка и подготовка данных: очистка, масштабирование, нормализация и разделение выборок
Практическое занятие: реализация моделей машинного обучения с использованием библиотеки scikit-learn

Модуль 3: Глубокое обучение и нейронные сети

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

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

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

Онлайн формат обучения

Онлайн обучение - это курс, который проходит в режиме реального времени под руководством преподавателя по такому же графику как и очное обучение. Наш учебный центр может организовывать курсы только в онлайн формате или в смешанном, когда часть слушателей находится в классе очно, а часть подключается онлайн.

Занятия на большинстве наших курсов занимают 8 академических часов в день (с 10:00 до 17:00), также есть отдельные программы вечернего онлайн обучения. Чтобы наши студенты не уставали в процессе учебы, мы делаем небольшие перерывы на чай/кофе, при полнодневном обучении также есть время на полноценный обеденный перерыв.

В процессе обучения вы сможете задавать вопросы и общаться с преподавателем и остальными участниками как с помощью чата, так и голосом при наличии микрофона.

В зависимости от выбранной программы обучения, каждому участнику будет предоставлен доступ к заренее настроенной виртуальной машине с лабораторными заданиями. Для удобства мы рекомендуем слушателям подключить 2 монитора, на одном из которых будет учебный материал/трансляция преподавателя, а на другом открыт стенд для выполнения практических заданий. На части из курсов (не всех) предусмотрена запись тренинга, которую слушатели могут просмотреть, если по какой-то причине пропустили часть занятия.