Курс охватывает основы программирования и обучения нейронных сетей на базовом и продвинутом уровнях. Базовый уровень подойдет тем, кто хочет научиться работать данными, освоить основы машинного обучения и глубокого обучения нейронных сетей, разобраться, как применить искусственный интеллект. А продвинутый уровень – тем, кто планирует больше узнать о методах обработки данных, разобраться в продвинутых моделях машинного обучения, обработке и генерации человеческой речи и компьютерном зрении.
Преимущества
Обучение оплачивается государством
Курс бесплатный для школьников 8–11 классов и студентов колледжей — 100% обучения оплачивает государство в рамках федерального проекта «Код будущего».
Интересная программа
Программа разработана с учетом требований национальной инициативы «Искусственный интеллект». Вас ждет 4 тематических модуля по 36 ак. часов (всего 144 ак. часа). За это время вы освоите Python, научитесь работать с искусственным интеллектом и сможете применять их для решения практических задач.
Обучение от простого к сложному
Начинаем с основ Python и постепенно переходим к практике и серьезным задачам по созданию цифровых двойников.
Формат обучения офлайн
Интерактивное обучение
Обучение проходит в интерактивной среде с большим набором контента: вебинары, видеоуроки, лекции, карточки, конспекты, тренажеры для отработки навыков и тестовые задания, которые помогают в освоении материала.
Поддержка экспертов
Кураторы курса, практикующие специалисты в области нейросетей и программирования и разработки, всегда помогут с решением сложных вопросов.
Доступ к материалам
После завершения курса у вас сохранится доступ ко всему учебному контенту на 1 год.
Сертификат и дополнительные баллы при поступлении
По завершении обучения выдается Сертификат, который станет преимуществом при поступлении в вуз на технические специальности.
Кому подойдет курс
Обучение рассчитано на школьников 8–11 классов и студентов колледжей, которые знакомы с программированием и имеют базовые математические знания.
Чему научитесь
На базовом уровне:
— Работать с данными: правильно их собирать, обрабатывать и анализировать
— Применять базовые алгоритмы искусственного интеллекта
— Создавать и обучать простые нейросети
— Автоматизировать процессы с помощью искусственного интеллекта
— Обрабатывать изображения и текст, например, распознавать объекты на фото или анализировать отзывы
На продвинутом уровне:
— Работать с большими данными — обрабатывать большое количество сложной информации из разных источников
— Создавать мощные ИИ-решения — разрабатывать и запускать серьезные проекты, которые работают в реальном мире
— Использовать продвинутые техники — комбинировать несколько моделей ИИ, чтобы получить максимально точные результаты
— Создавать сложные нейросети — управлять моделями как настоящий инженер ИИ
— Учитывать этические нормы и безопасность при создании ИИ-решений
Базовый уровень | Продвинутый уровень |
Модуль 1. Основы работы с данными | Модуль 1. Продвинутая работа с данными и признаками |
Тема 1. Типы данных и их представление Тема 2. Загрузка данных из различных источников. Изучение кибербезопасности и конфиденциальность при использовании различных фреймворков и библиотек. Текущий контроль Тема 3. Очистка данных: удаление пропусков и дубликатов Тема 4. Базовый анализ данных: статистика и визуализация при помощи Seaborn и Matplotlib. Предобработка данных для машинного обучения на примере технологии Блокчейн. Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю | Тема 1. Работа с нестандартными типами данных Тема 2. Инженерия признаков для кибербезопасности и блокчейн-аналитики Текущий контроль Тема 3. Оптимизация обработки больших данных Тема 4. Кибербезопасность данных и Feature Stores в контексте блокчейн-технологий Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю |
Модуль 2. Введение в машинное обучение | Модуль 2. Продвинутые модели и методы машинного обучения |
Тема 1. Основные типы задач машинного обучения: классификация, регрессия и их применение в робототехнике. Тема 2. Принципы работы базовых моделей: линейная регрессия, метод ближайших соседей Текущий контроль Тема 3. Алгоритмы классификации: логистическая регрессия, дерево решений, метод опорных векторов Тема 4. Использование библиотеки scikit-learn Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю | Тема 1. Ансамблевые алгоритмы Тема 2. Интерпретация моделей Текущий контроль Тема 3. Оптимизация и ускорение моделей Тема 4. Нестандартные задачи ML Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю |
Модуль 3. Основы нейронных сетей и глубокого обучения | Модуль 3. Специализированные области ИИ |
Тема 1. Архитектура нейронных сетей: нейроны, слои, веса и смещения Тема 2. Принцип работы перцептрона как базовой модели нейронной сети. Функции активации и их роль. Текущий контроль Тема 3. Основы обучения нейронных сетей: метод обратного распространения ошибки и градиентный спуск Тема 4. Использование библиотек TensorFlow, PyTorch, Keras, для работы с нейронными сетями и создание простых моделей Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю | Тема 1. Компьютерное зрение для VR/AR (Modern Frameworks: OpenCV, TensorRT) Тема 2. Обработка естественного языка Текущий контроль Тема 3. Рекомендательные системы Тема 4. Генеративные модели. Перспективные направления: нейроинтерфейсы и ИИ в робототехнике Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю |
Модуль 4. Применение искусственного интеллекта для типовых задач | Модуль 4. Разработка и развертывание решений ИИ |
Тема 1. Применение методов машинного обучения для решения задач классификации и регрессии Тема 2. Использование нейронных сетей для анализа изображений: основы компьютерного зрения. Применение моделей в проектах дополненной реальности AR совместно с OpenCV. Текущий контроль Тема 3. Базовые методы обработки и анализа текстовых данных с помощью ИИ Тема 4. Новые профессии в ИИ. Практическое использование библиотек и фреймворков для решения прикладных задач. Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю | Тема 1. MLOps-инфраструктура Тема 2. Развертывание моделей Текущий контроль Тема 3. Участие в соревнованиях Тема 4. Этика и новые профессии в ИИ Тема 5. Работа над учебным проектом Промежуточная аттестация по модулю |
Итоговая аттестация |