Основы технологий искусственного интеллекта

Онлайн-курс реализуется в виде программы дополнительного образования детей и взрослых. 

Он разработан специалистами и экспертами НИЯУ МИФИ в сфере искусственного интеллекта специально для обучающихся ИТ-классов московских школ. Его уровень адаптирован для 10-классников московских школ, а в разработке приняли участие специалисты университета, которые не первый год работают с московскими школьниками, знают актуальные требования стандарта “ИТ-класс в московской школе” и вели подготовку к конкурсу “Интеллектуальный мегаполис”. 

Содержание онлайн-курса соответствует требованиям предмета "Введение в ИТ-специальность" 2025/2026 учебного года для ИТ-классов московских школ.

Пройдя этот курс, вы сможете освоить перспективные технологии искусственного интеллекта и подготовиться к прохождению конкурса предпрофессиональных умений "Интеллектуальный мегаполис. Потенциал".

В курсе рассматриваются фундаментальные принципы работы ИИ, методы машинного обучения и нейросетевые технологии, как с точки зрения теории, так и практического применения. 

Курс состоит из 34 часов видеолекций, каждая из которых сопровождается тестом на закрепление знаний и умений, осваиваемых в рамках данной тем, и завершается итоговым тестом по всем темам курса.

Есть вопросы по курсу? Пишите на openedu@mephi.ru

Курс реализуется в формате программы дополнительного образования детей и взрослых.

После оплаты вы получаете полный доступ ко всем материалам курса на весь период действия его сессии (сроки обучения указаны в описании).

Вы можете задавать вопросы в разделе “Обсуждения”, а преподаватели - авторы курса - будут давать на них развернутые ответы. 

В каждой видеолекции подробно рассмотрена соответствующая тема. После каждого урока вы закрепляете полученные знания и навыки, проходя тестовые задания.

В конце курса вам нужно пройти итоговый тест.

Для получения сертификата о прохождении курса текущие тесты (к урокам) должны быть пройдены не меньше чем на 60%, и итоговый тест - также не меньше чем на 60%.

Часть 1. Основы программирования и введение в большие данные

Урок 1. Структуры данных в Python: список, множество, словарь, кортеж
Урок 2. Визуализация данных в Python: графики функций, гистограммы
Урок 3. Введение в статистическую обработку данных. Правило трёх сигм
Урок 4. Хранение данных: использование файлов
Урок 5. Хранение данных: введение в SQL
Урок 6. Хранение данных: введение в XML
Урок 7. Получение больших данных из Интернета: парсинг сайтов в Python
Урок 8. Большие текстовые данные
Урок 9. Введение в большие данные: парадигма MapReduce и Hadoop
Урок 10. На что способен ИИ: обзор современных приложений

Часть 2. Машинное обучение и глубокое обучение

Урок 11. Линейная регрессия
Урок 12. Логистическая регрессия
Урок 13. Деревья решений
Урок 14. К-means: кластеризация на примере цвета
Урок 15. Рекомендательные системы
Урок 16. Введение в нейронные сети
Урок 17. Глубокое обучение и современные ИИ-модели

Итоговый тест
 

В результате прохождения этого курса вы будете:

• уметь обрабатывать, анализировать, интерпретировать и визуализировать данные в Python;
• уметь характеризовать большие данные, приводить примеры источников их получения и направления использования;
• уметь классифицировать основные задачи анализа данных: прогнозирование, классификация, кластеризация, анализ отклонений;
• знать последовательность решения задач анализа данных: сбор первичных данных, очистка и оценка качества данных, выбор и/или построение модели;
• владеть навыками сбора первичных данных, в том числе из интернета с помощью парсинга;
• уметь работать с базами данных и большими массивами информации;
• уметь вычислять, интерпретировать и визуализировать среднее значение, дисперсию, стандартное отклонение;
• знать и применять на практике структуры данных: кортежи, списки, множества, словари;
• понимать основы работы с файлами в Python;
• знать и понимать парадигму MapReduce;
• уметь работать с базами данных и большими массивами информации;
• понимать основы работы с базами данных (SQL) и XML;
• понимать основные алгоритмы машинного обучения и их применения;уметь применять линейную и логистическую регрессию, деревья решений,
  кластеризацию;
• знать основы нейросетевых технологий и современных трендов в ИИ, включая глубокое обучение.