Архитектор производственных систем искусственного интеллекта

Архитектор производственных систем искусственного интеллекта отвечает за проектирование и разработку систем, использующих технологии и методы искусственного интеллекта для решения передовых инженерных задач в промышленности. Вы станете уникальным специалистом, который:
• глубоко понимает потребности своей отрасли
• может предложить новейшие подходы к управлению производственными процессами на базе ИИ
• использует современные цифровые решения для выстраивания архитектуры интеллектуальных систем контроля и управления производством
• ставит задачи подразделениям разработчиков этих систем, разговаривая с ними на одном профессиональном языке

• Смешанный формат обучения. Видеолекции доступны в асинхронном формате, лекции и практические занятия проводятся онлайн в формате "перевернутого класса" синхронно с преподавателем
• Практикоориентированность. Большинство задач взято из реальных кейсов. Программой обучения предусмотрена практика в ИТ-компаниях.
• Экспертность. Преподавание ведется представителями ИT-бизнеса

Модуль 1. Применение алгоритмов машинного обучения
1. Введение в машинное обучение. Линейная регрессия
2. Логистическая регрессия
3. Применение деревьев решений для задач регрессии и классификации
4. Случайный лес и градиентный бустинг
5. Методы кластеризации
6. Понижение размерности

Модуль 2. Работа с данными и конструирование признаков
1. Основы SQL. Работа с таблицами в ClickHouse
2. Объединение данных из разных таблиц с помощью JOIN. Агрегирующие запросы
3. Использование ClickHouse для аналитических задач
4. Использование библиотек Python для работы с данными
5. Методы конструирования признаков для моделей машинного обучения

Модуль 3. Использование нейронных сетей для работы с изображениями и текстом
1. Основы нейронных сетей
2. Сверточные нейронные сети
3. Продвинутые архитектуры сверточных нейронных сетей
4. Рекуррентные нейронные сети
5. Генеративные модели

В результате обучения Вы сможете:
• Понимать основные алгоритмы машинного обучения, выбирать и применять подходящие алгоритмы для решения прикладных задач
• Применять библиотеки и фреймворки для работы с данными и построения моделей машинного обучения (например, Scikit-learn, Pandas, NumPy)
• Работать с реляционными базами данных
• Конструировать и преобразовывать признаки для улучшения моделей машинного обучения
• Использовать нейронные сети и генеративные модели для работы с изображениями, текстом и временными рядами
• Оценивать целесообразность применения технологий ИИ в различных прикладных областях, формулировать требования к решениям
• Работать в междисциплинарных командах для разработки ИИ-решений