up

Прикладной искусственный интеллект

Дату старта объявим позже

Дата начала записи на курс еще не объявлена

  • 2 недели

    длительность курса

  • около 36 часов в неделю

    понадобится для освоения

  • 2 зачётных единицы

    для зачета в своем вузе

Программа посвящена технологиям интеллектуального анализа больших объемов данных. В настоящее время ИКТ изменили всю нашу жизнь — и личную, и производственную сферы. В первую очередь, это связано с накоплением во всех областях детальности человека огромных массивов данных, которые нужно уметь находить, извлекать, структурировать, сохранять в компактном виде, быстро находить необходимые элементы, агрегировать и анализировать. Анализ данных может помочь решить множество профессиональных задач, например, такие: каков ожидаемый спрос на тот или иной товар? Когда этот спрос был максимальным? Каковы тенденции в изменении цен на рынке? И т.д. Наука о данных занимается большим спектром вопросов.

О курсе

Этот курс дает базовые навыки применения методов машинного обучения и искусственного интеллекта к интеллектуальному анализу данных. Вы узнаете, какие задачи решает машинное обучение, познакомитесь с методами решении задач обучения с учителем: регрессии и классификации, а также обучения без учителя: кластеризации; окунетесь в мир искусственного интеллекта и узнаете о новых способах представления знаний, а также о методах анализа графических и текстовых данных. Курс не требует специальных начальных навыков, доступен тем, кто является пользователем ПК, имеет навык работы с операционной системой Windows, владеет пакетом офисных программ, умеет искать информацию в сети Internet. Навыков программирования не требуется. Курс носит практикоориентированный характер. При выполнении упражнений пользователи будут использовать электронные таблицы и инструмент Azure ML Studio. Для работы с курсом требуется компьютер с выходом в интернет - для выполнения упражнений не потребуется установка программных средств на свой компьютер, все рекомендуемые в курсе инструменты доступны удаленно.

Требования

Высшее или среднее специальное образование
Базовый уровень цифровой культуры: умение работать с офисными программами, с файловой системой, пользоваться сетью Internet
Основы статистики

Программа курса

Модуль 1
Методы машинного обучения
Тема 1.1 Введение в машинное обучение
Рассматриваются основные задачи, ветки и методы машинного обучения, а также необходимый для дальнейшего аппарат статистики. 
Тема 1.2 Задача регрессии
Рассматриваются модели простейшей и множественной регрессии. Дается представление о полиномиальной регрессии. 
Тема 1.3 Задача классификации: метрический подход 
Рассматривается метрический подход к решению задачи классификации на примере алгоритма k-NN и его обобщений. 
Тема 1.4 Задача классификации: вероятностный подход
Рассматривается вероятностный подход к решению задачи классификации на примере наивного байесовского классификатора и его обобщений. 
Тема 1.5 Задача кластеризации
Рассматривается применение алгоритмов k-means и иерархической кластеризации к решению задачи кластеризации.

Модуль 2
Прикладные задачи искусственного интеллекта
Тема 2.1. Искусственный интеллект в сегменте потребительских товаров и услуг 
Рассматривается применение методов искусственного интеллекта в сегменте потребительских товаров и услуг. 
Тема 2.2 Искусственный интеллект в сегменте пассажирских перевозок 
Рассматривается применение методов искусственного интеллекта в сегменте пассажирских перевозок. 
Тема 2.3 Графы знаний 
Рассматривается современный способ представления и хранения знаний — графы знаний. Тема 2.4 Автоматическая обработка текстов 
Рассматривается понятие NLP — прикладной области знаний, занимающейся обработкой естественного языка. 
Тема 2.5 Анализ изображений и видео 
основные понятия анализа изображений и компьютерного зрения.
 

Результаты обучения

  • 2.1.Знание (осведомленность в областях)
    • 2.1.1. Области применения цифровых технологий в личностной и профессиональной сферах
    • 2.1.2. Основные типы задач, решаемых в рамках областей машинного обучения и искусственного интеллекта
    • 2.1.3. Основные методы, используемые для решения задач областей машинного обучения и искусственного интеллекта
    • 2.1.4. Аналитические методы обработки данных, основы искусственного интеллекта
    • 2.1.5. Существующие методы работы с данными, области их применения, достоинства и недостатки
    • 2.1.6. Особенности информационных потоков в своей профессиональной области, правовые и этические аспекты распространения информации
    • 2.1.7. Основные цифровые технологии и алгоритмы их работы
    • 2.1.8. Области применения алгоритмов машинного и статистического обучений, искусственного интеллекта для решения прикладных задач
    • 2.1.9. Методы анализа данных для хранения, обработки и эффективного использования полученной информации
    • 2.1.10. Терминологию и методы, используемые в машинном обучении и искусственном интеллекте, для решения задач различных предметных областей
    • 2.1.11. Принципы анализа данных разных предметных областей
    • 2.1.12. Современные тенденции и тренды в инструментах, используемых для анализа данных
    • 2.1.13. Приемы обработки текстовой и графической информации
    • 2.1.14. Современные инструменты для анализа графического контента
    • 2.1.15. Методы оценки качества алгоритмов классификации
    • 2.1.16. Приемы работы в инструментах анализа данных
    • 2.1.17. Современные инструменты анализа данных, а также их особенности применительно к предметной области
    • 2.1.18. Особенности применения методов машинного обучения и искусственного интеллекта в различных информационных системах
  • 2.2. Умение (способность к деятельности)
    • 2.2.1. Использовать компьютерную технику и цифровые технологии для автоматизации информационно-аналитической деятельности
    • применять методы машинного обучения для интерпретации и анализа данных профессиональной области
    • 2.2.2. Отбирать технологии работы с информацией в зависимости от класса задач в области данных
    • 2.2.3. Использовать компьютерную технику и цифровые технологии для автоматизации информационно-аналитической деятельности
    • 2.2.4. Планировать аналитические работы в информационно-технологическом проекте
    • 2.2.5. Применять методы статистического анализа данных
    • 2.2.6. Использовать различные инструменты хранения и обработки данных
    • 2.2.7. Проверять корректность построенной модели
    • 2.2.8. Интерпретировать результаты вероятностной классификации
    • 2.2.9. Подбирать приемы первичной обработки данных в зависимости от их структуры
    • 2.2.10. Выбирать правильный инструмент для работы с текстовыми и графическими документами, исходя из особенностей предметной области
    • 2.2.11. Строить различные онтологии, исходя из потребностей предметной области
    • 2.2.12. Кастомизировать настраиваемые параметры инструмента для улучшения качества анализа данных предметной области
    • 2.2.13. Применять инструменты анализа данных к задачам, решаемым методами машинного обучения и искусственного интеллекта
    • 2.2.14. Настраивать информационные системы под нужды предметной области
    • 2.2.15. Использовать особенности реализации методов машинного обучения и искусственного интеллекта внутри информационной системы для более эффективного решения поставленной задачи
  • 2.3.Навыки (использование конкретных инструментов)
    • Инструменты: электронные таблицы, Azure ML Studio, MyStem
    • 2.3.1 Владеть аппаратом цифровых технологий для получения, обработки и передачи информации с помощью технических средств и методов
    • 2.3.2 Владеть методами обработки данных предметной области
    • 2.3.3 Владеть современными инструментами и компьютерными технологиями для решения задач, связанных с обработкой и анализом данных, применительно к любой предметной области.
    • 2.3.4 Владеть современными подходами и методами искусственного интеллекта в целом и машинного обучения в частности применительно к задачам профессиональной области, средствами и информационными технологиями для осуществления интеллектуального анализа данных
    • 2.3.5 Владеть методами описания моделей обрабатываемых данных
    • 2.3.6 Владеть методами концептуального, функционального и логического проектирования систем среднего и крупного масштаба и сложности — методами исследования зависимостей и закономерностей в данных
    • 2.3.7 Владеть подходами к восстановлению различных статистических зависимостей
    • 2.3.8 Владеть инструментами для осуществления качественного анализа построенной модели — широким кругозором как в сфере информационных систем, так и в сфере их адаптации к предметным областям
    • 2.3.9 Владеть современными инструментами анализа текстовой и графической информации
    • 2.3.10 Владеть навыками кастомизации информационной системы под задачи предметной области, приемами использования информационной системы
    • 2.3.11 Владеть приемами обучения использования информационной системы, настроенной под конкретную предметную область
    • 2.3.12 Владеть методами машинного обучения и искусственного интеллекта, реализованных в информационных системах

Знания

  • Области применения цифровых технологий в личностной и профессиональной сферах.
  • Основные типы задач, решаемых в рамках областей машинного обучения. 
  • Основные методы, используемые для решения задач областей машинного обучения и искусственного интеллекта.
  • Существующие методы работы с данными, области их применения, достоинства и недостатки Области применения алгоритмов машинного и статистического обучений для решения прикладных задач 
  • Основные типы задач, решаемых в рамках областей машинного обучения и искусственного интеллекта 
  • Основные методы, используемые для решения задач области машинного обучения 
  • Аналитические методы обработки данных, основы искусственного интеллекта 
  • Основные цифровые технологии и алгоритмы их работы 
  • Области применения искусственного интеллекта для решения прикладных задач 

Умения

  • Отбирать технологии работы с информацией в зависимости от класса задач в области данных 
  • Использовать компьютерную технику и цифровые технологии для автоматизации информационно-аналитической деятельности 
  • Проверять корректность построенной модели 
  • Строить различные онтологии, исходя из потребностей предметной области 
  • Кастомизировать настраиваемые параметры инструмента для улучшения качества анализа данных предметной области 
  • Применять инструменты анализа данных к задачам, решаемым методами машинного обучения и искусственного интеллекта 
  • Настраивать информационные системы под нужды предметной области 

Навыки

  • Владеть аппаратом цифровых технологий для получения, обработки и передачи информации с помощью технических средств и методов 
  • Владеть методами обработки данных предметной области 
  • Владеть подходами к восстановлению различных статистических зависимостей
  • Владеть современными подходами и методами искусственного интеллекта в целом и машинного обучения в частности применительно к задачам профессиональной области, средствами и информационными технологиями для осуществления интеллектуального анализа данных 
  • Владеть методами машинного обучения и искусственного интеллекта, реализованных в информационных системах

Бойцев Антон Александрович

К.ф.-м.н.
Должность: доцент факультета систем управления и робототехники, доцент высшей школы цифровой культуры Университета ИТМО

Романов Алексей Андреевич

К.т.н.
Должность: доцент высшей школы цифровой культуры Университета ИТМО, программист международной научной лаборатории "Интеллектуальные методы обработки информации и семантические технологии" Университета ИТМО, научный сотрудник факультета программной инженерии и компьютерной техники Университета ИТМО

Волчек Дмитрий Геннадьевич

К.т.н.
Должность: доцент высшей школы цифровой культуры Университета ИТМО, программист международной научной лаборатории "Интеллектуальные методы обработки информации и семантические технологии" Университета ИТМО, научный сотрудник факультета программной инженерии и компьютерной техники Университета ИТМО

Егорова Ольга Борисовна

К.ф.н.
Должность: преподаватель высшей школы цифровой культуры Университета ИТМО

Графеева Наталья Генриховна

Кандидат физико-математических наук
Должность: доцент высшей школы цифровой культуры Университета ИТМО

Михайлова Елена Георгиевна

К. ф.-м. н., доцент
Должность: Советник при ректорате-директор по направлению "цифровая культура" Университета ИТМО, директор высшей школы цифровой культуры Университета ИТМО

сертификат об окончании курса

Сертификат

Сертификат участника обычно выдается при достижении 60% от общего рейтинга при условии сдачи работ до жесткого дедлайна. Сертификат с отличием, как правило, выдается при достижении 90% от общего рейтинга при условии сдачи работ до мягкого дедлайна.