Разработчик решений искусственного интеллекта

Программа курса посвящена современным технологиям искусственного интеллекта и машинного обучения. В ходе обучения рассматриваются математические основы интеллектуальных систем, инструменты разработки моделей и полный цикл их создания — от подготовки данных и проектирования архитектуры нейронных сетей до обучения, оптимизации и анализа результатов. Особое внимание уделяется обработке естественного языка (NLP), технологиям машинного и глубокого обучения, а также освоению востребованного стека инструментов для разработки AI-систем — от обработки и визуализации данных до создания и обучения нейронных сетей. Программа сочетает фундаментальную теоретическую подготовку с практическим освоением современных методов создания интеллектуальных систем.

Слушатели познакомятся с подходами к решению задач анализа данных, компьютерного зрения и обработки текстовой информации, а также с методами оценки, визуализации и интерпретации результатов работы моделей, необходимыми для разработки эффективных AI-решений.

Процесс обучения построен по принципу последовательного прохождения учебных модулей (дисциплин). Основной теоретический материал представлен в формате видеолекций. Обязательным элементом курса является выполнение тестовых заданий после изучения каждой темы. По окончании модуля предполагается итоговое тестирование.

1. Яндекс.Облако, 
2. Cloud.ru 
3. https://biblioclub.ru
    

Обучающийся при поступлении:

• способен разрабатывать алгоритмы и программные средства, в том числе с использованием современных
• интеллектуальных технологий, для решения профессиональных задач;
• способен использовать отдельные методы искусственного интеллекта для решения стандартных формализуемых задач;
• способен провести сбор, обработку и анализ данных с использованием отдельных методов машинного обучения.
   

Модуль 1. Введение в математику методов искусственного интеллекта

Раздел 1. Математические методы машинного обучения
Тема 1. Линейная регрессия
Тема 2. Логистическая регрессия
Тема 3. KNN (k ближайших соседей). Деревья решений
Тема 4. Случайный лес. Часть 1
Тема 5. Случайный лес. Часть 2
Тема 6. Градиентный бустинг
Тема 7. Кластеризация k-means

Раздел 2. Математические методы искусственных нейронных сетей
Тема 1.  Введение в математический аппарат нейронных сетей
Тема 2.  Математическая модель перцептрона. Многослойные нейронные сети
Тема 3.  Методы оптимизации для обучения нейронных сетей. Софтмакс и кросс-энтропия
Тема 4.  Сверточные нейронные сети
Тема 5.  Рекуррентные нейронные сети
Тема 6.  Математический аппарат механизма attention. Механизм self-attention. Трансформеры

Модуль  2. Инфраструктура и инструменты систем искусственного интеллекта

Раздел 1. Основы библиотек языков программирования и инструменты разработки
Тема 1. Библиотека Numpy для задач линейной алгебры
Тема 2. Обработка данных с помощью Pandas
Тема 3. Визуализация данных с использованием Matplotlib и Seaborn
Тема 4. Работа с алгоритмами машинного обучения в Scikit-learn
Тема 5. Построение нейронных сетей с помощью TensorFlow
Тема 6. Библиотека PyTorch для нейронных сетей

Раздел 2. Базы данных и инструменты анализа данных
Тема 1. Реляционные и нереляционные СУБД
Принципы работы СУБД ClickHouse
Тема 2. Запросы SELECT. Объединение данных из разных таблиц с помощью JOIN
Тема 3. Агрегирующие запросы. Работа со временем и часовыми поясами
Тема 4. Использование ClickHouse для аналитических задач
Тема 5. Создание баз данных и таблиц в ClickHouse. Добавление данных в таблицу
Тема 6. Изменение таблиц и их содержимого в ClickHouse

Раздел 3. Инструменты развертывания и эксплуатации систем искусственного интеллекта
Тема 1. Основы деплоя моделей машинного обучения
Тема 2. Архитектуры развертывания МЛ систем
Тема 3.  Разбор техник по работе с данным
Тема 4.  Применение ООП и open-source для построения единых ML пайплайнов.
Тема 5.  Менеджеры пакетов и виртуальных окружений для Python
Тема 6.  Деплой модели через REST API
Тема 7. Введение в Github и основы CI/CD
Тема 8. Основы Docker
Тема 9. Воспроизводимость, трекинг и сравнение экспериментов
Тема 10. Деплой нейросетевых моделей

Модуль 3. Прикладные задачи методов глубокого обучения (DL) и машинного обучения (ML)

Раздел 1.  Прикладные задачи машинного обучения различных предметных областей
Тема 1. Задачи анализа изображений в системах помощи водителю трамвая
Тема 2. Анализ ключевых точек в задачах построения Интеллектуальных систем на транспорте
Тема 3. Детектирование объектов на изображении в интересах решения задачи анализа дорожной сцены
Тема 4. Сегментация дорожного полотна в задаче движения беспилотного транспортного средства
Тема 5. Решение задач анонимизации медицинских изображений
Тема 6. Методы и задачи обнаружения объектов на изображениях в системах камерного мониторинга
Тема 7. Использование DL в системах прогнозирования экстремальных погодных явлений, оценка их локального воздействия на городскую среду

Раздел 2. Задачи обработки естественного языка методами глубокого обучения (искусственных нейронных сетей)
Тема 1. ИИ в задачах обработки ЕЯ
Тема 2. Предобработка информационного потока на ЕЯ
Тема 3. Компьютерная лингвистика
Тема 4. Решение задач обработки ЕЯ методами машинного обучения
Тема 5. Решение задач обработки ЕЯ нейросетевыми моделями
Тема 6. Чат-боты и голосовые ассистенты

Раздел 3. Рекомендательные системы на основе методов искусственного интеллекта
Тема 1. Обзор рекомендательных систем
Тема 2. Коллаборативная фильтрация
Тема 3. Матричные разложения
Тема 4. Рекомендательные системы на основе контента
Тема 5. Применение нейронных сетей для рекомендательных систем
Тема 6. Оценка и ограничения рекомендательных систем

• основ математических методов искусственного интеллекта и машинного обучения;
• современных средств и инструментов разработки программного обеспечения для реализации методов искусственного интеллекта и машинного обучения.

• разрабатывать архитектуру и  математические модели нейросетей;
• собирать и готовить данные для обучения моделей;
• оптимизировать и тестировать модели машинного обучения;
• интерпретировать результаты работы нейросетей.

• программирования на языке программирования  Python, R или Julia, что позволяет создавать иреализовывать собственные алгоритмы и модели искусственного интеллекта.
• обработки естественного языка (NLP), работы с текстами, понимания семантики, синтаксиса и морфологии, что позволяет создавать модели обработки естественного языка, такие как чат-боты и системы машинного перевода.
• машинного обучения и глубокого обучения, что позволяет. разрабатывать и оптимизировать модели машинного обучения, а также создавать и обучать нейронные сети, необходимые для разработки систем искусственного интеллекта.
• визуализации данных и результатов их анализа, что помогает лучше понимать результаты работы моделей искусственного интеллекта и эффективнее представлять их заказчику.
   

ФГОС 01.04.04 Прикладная математика 
Универсальные компетенции (УК):
УК-1. Способен осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий
УК-2. Способен управлять проектом на всех этапах его жизненного цикла
УК-3. Способен организовывать и руководить работой команды, вырабатывая командную стратегию для достижения поставленной цели
УК-4. Способен применять современные коммуникативные технологии, в том числе на иностранном языке, для академического и профессионального взаимодействия
УК-5. Способен анализировать и учитывать разнообразие культур в процессе межкультурного взаимодействия
УК-6. Способен определять и реализовывать приоритеты собственной деятельности и способы ее совершенствования на основе самооценки
Общепрофессиональные компетенции (ОПК):
ОПК-1. Способен обобщать и критически оценивать опыт и результаты научных исследований в области прикладной математики
ОПК-2. Способен разрабатывать и развивать математические методы моделирования объектов, процессов и систем в области профессиональной деятельности
ОПК-3. Способен  разрабатывать наукоемкое программное обеспечение для автоматизации систем и процессов, а также развивать информационно-коммуникационные технологии