Искусственный интеллект: основы

Данный курс может быть полезен слушателям, интересующимся современными тенденциями в области искусственного интеллекта и машинного обучения. Он позволит составить первичное понимание предметной области, разобраться в классах решаемых задач, используемых методах решения, областях приложения результатов.

Каждый модуль курса включает видеолекции, презентации, ссылки на рекомендованные источники по теме и другие материалы. Для формирования практических навыков используются не только тестовые задания, но и кейсы.

В результате освоения онлайн-курса обучающиеся поймут специфику задач классификации, регрессии и кластеризации, сформируют навыки идентификации задач обучения с учителем и без учителя, познакомятся с основными используемыми в машинном обучении методами, рекомендательными системами, ассоциативными правилами и ансамблями: стекингом, бэггингом, бустингом. В рамках курса мы коснемся также проблем глубокого, или глубинного, обучения, нейросетевых методов. Слушатели узнают, что такое логистическая регрессии, как ей пользоваться и в каких бизнес-процессах логистические модели могут быть внедрены.

Продолжением обучения в данной сфере может стать онлайн-курс СПбГУ «Машинное обучение: основы».

Форма обучения заочная (дистанционная). Еженедельные занятия будут включать просмотр тематических видеолекций,  изучение дополнительных материалов и выполнение тестовых заданий с автоматизированной проверкой результатов, тестирование по пройденному материалу. Для получения сертификата необходимо выполнить все задания, тесты и написать финальный экзамен.

Для успешного освоения курса необходимы базовые знания в области информатики.

Модуль 1. Введение, история, определения, интеграция

Модуль 2. Классификация и регрессия

Модуль 3. Кластеризация, рекомендательные системы
и ассоциативные правила

Модуль 4. Ансамбли: стекинг, бэггинг, бустинг

Модуль 5. Глубокое обучение и нейронные сети

фундаментальные научные принципы и методы исследований;

классы методов и алгоритмов машинного обучения;

специфику сфер и отраслей, для которых реализуется проект по аналитике больших данных.

адаптировать фундаментальные и новые научные принципы и методы исследований с целью практического применения;

ставить задачи и разрабатывать новые методы и алгоритмы машинного обучения;

решать задачи по руководству коллективной проектной деятельностью для создания, поддержки и использования комплексных систем на основе аналитик больших данных. 

навыками адаптации известных научных принципов и методов исследований с целью их практического применения;

навыками решения профессиональных задач на основе применения новых научных принципов и методов исследования;

навыками постановки задач по разработке и совершенствованию методов и алгоритмов для решения комплекса задач предметной области;

навыками осуществления руководства проектом по построению комплексных систем на основе аналитики больших данных в различных отраслях.

По завершении настоящего курса обучающиеся будут:

Знать:

• фундаментальные научные принципы и методы исследований;
• классы методов и алгоритмов машинного обучения;
• специфику сфер и отраслей, для которых реализуется проект по аналитике больших данных.

Уметь:

• адаптировать фундаментальные и новые научные принципы и методы исследований с целью практического применения;
• ставить задачи и разрабатывать новые методы и алгоритмы машинного обучения;
• решать задачи по руководству коллективной проектной деятельностью для создания, поддержки и использования комплексных систем на основе аналитик больших данных. 

Владеть:

• навыками адаптации известных научных принципов и методов исследований с целью их практического применения;
• навыками решения профессиональных задач на основе применения новых научных принципов и методов исследования;
• навыками постановки задач по разработке и совершенствованию методов и алгоритмов для решения комплекса задач предметной области;
• навыками осуществления руководства проектом по построению комплексных систем на основе аналитики больших данных в различных отраслях.

ОПК-1 Способен применять естественнонаучные и общеинженерные знания, методы математического анализа и моделирования, теоретического и экспериментального исследования в профессиональной деятельности

ОПК-2 Способен понимать принципы работы современных информационных технологий и программных средств, в том числе отечественного производства, и использовать их при решении задач профессиональной деятельности

ОПК-5 Способен инсталлировать программное и аппаратное обеспечение для информационных и автоматизированных систем

ОПК-6 Способен анализировать и разрабатывать организационно-технические и экономические процессы с применением методов системного анализа и математического моделирования

ОПК-7 Способен разрабатывать алгоритмы и программы, пригодные для практического применения

ПКП-1-ИИР-ОПК-1 Способен анализировать, разрабатывать, внедрять и выполнять организационно-технические и экономические процессы с применением технологий и систем искусственного интеллекта

ПКП-3-ИИР-ПК-1 Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта

ПКП-4-ИИР-ПК-2 Способен разрабатывать и тестировать программные компоненты решения задач в системах искусственного интеллекта

ПКП-5-ИИР-ПК-4 Способен разрабатывать и применять методы машинного обучения для решения задач

ПКП-6-ИИР-ПК-5 Способен использовать инструментальные средства для решения задач машинного обучения

ПКП-7-ИИР-ПК-6 Способен создавать и поддерживать системы искусственного интеллекта на основе нейросетевых моделей и методов

УК-1 Способен осуществлять поиск, критический анализ и синтез информации, применять системный подход для решения поставленных задач

УКБ-3 Способен понимать сущность и значение информации в развитии общества, использовать основные методы получения и работы с информацией с учетом современных технологий цифровой экономики, искусственного интеллекта и науки о данных, а также информационной безопасности