ТОП-25 лучших курсов по искусственному интеллекту: обучение онлайн, бесплатные и платные в 2023 году

Искусственный интеллект – это область компьютерных наук, которая занимается созданием систем, способных анализировать данные, извлекать из них закономерности, принимать решения и решать задачи. Сегодня искусственный интеллект широко применяется в различных сферах, включая медицину, финансы, производство, транспорт и т.д.

На курсах по искусственному интеллекту можно научиться программированию нейронных сетей, алгоритмам машинного обучения, анализу данных, созданию чат-ботов и другим современным технологиям. Курсы также могут включать в себя изучение этических и юридических аспектов использования искусственного интеллекта.

После прохождения курсов по искусственному интеллекту студенты могут применять полученные знания в практических проектах и решать различные задачи, связанные с анализом данных и автоматизацией процессов в различных сферах деятельности.

Лучшие курсы:

1 место. Курс «Профессия Data Scientist PRO от Skillbox»

Цена: Рассрочка на 31 месяц — 7 245 ₽ / мес

Официальный сайт: https://skillbox.ru/course/profession-data-scientist/

Освойте Data Science с нуля. Попробуйте силы в аналитике данных, машинном обучении, дата-инженерии и решите, какое направление вам нравится больше. Через год сможете работать Junior-специалистом, а через два — станете профессионалом уровня Middle.

  • Через 6 месяцев можно устроиться на стажировку
  • Авторы курса – эксперты из Сбера, ЮMoney, Visa
  • Гарантируем трудоустройство — или вернём деньги
  • 3 специализации на выбор
  • Обновили содержание в 2022 году.

Работа с данными — процесс, в котором каждый участник команды выполняет свою задачу. Аналитик помогает принимать бизнес-решения, ML-инженер обучает модели, а Data-инженер делает так, чтобы всё работало.
Независимо от роли все программируют на Python, разбираются в математике, статистике и говорят на языке данных. Поэтому иногда таких специалистов называют просто Data Scientist.

Кому подойдёт этот курс:

— Новичкам
С нуля освоите Python, SQL, научитесь собирать и анализировать данные, получите необходимый теоретический минимум по математике, теории вероятности и статистике. Знания закрепите на практике — решите задачи на основе реальных кейсов и добавите проекты в портфолио. Устроитесь на стажировку по выбранной специальности уже во время обучения.
— Программистам
Подтянете математику, статистику, аналитическое и алгоритмическое мышление, научитесь выявлять потребности бизнеса. Получите опыт работы с моделями машинного обучения, будете применять Python для решения задач с данными. Пройдёте процесс от сбора данных до деплоя модели.
— Начинающим аналитикам
Вы научитесь выдвигать гипотезы и делать выводы на основе данных, писать эффективный код на Python и превращать сырые данные в полезную информацию для компании. Сможете обучать модели и прогнозировать результаты. Отшлифуете знания, увеличите скорость своей работы и добьётесь повышения.

Кем вы станете после курса?

  • Вариант 1. Специалист по Machine Learning
    Будете анализировать большие объёмы информации, создавать модели для прогнозирования в бизнесе, медицине, промышленности. Обучать нейросети, создавать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения. Продолжите профессиональное развитие в сфере обработки естественного языка или Computer Vision.
  • Вариант 2. Дата-инженер
    Будете разворачивать программную инфраструктуру для организации сбора, обработки и хранения данных. Вам предстоит решать сложные, но интересные задачи: создавать отказоустойчивые системы для работы с Big Data, писать эффективный код на Python и SQL-запросы, автоматизировать рутину, «общаться» с базами данных, работать с облачными платформами.
  • Вариант 3. Аналитик данных
    Будете помогать бизнесу принимать верные решения на основе данных. Собирать информацию и анализировать её, находить аномалии в метриках. На основе исследований будете выявлять закономерности, строить гипотезы и проверять их жизнеспособность с помощью моделирования. Научитесь визуализировать результаты работы в виде графиков и диаграмм.

Содержание курсов:

Вас ждут 100+ тем с различным уровнем сложности, видеоматериалы и практика.
100+ практических заданий, 3 итоговых проекта

Первый уровень: базовая подготовка
Среднее время прохождения — 6 месяцев.

  1. Введение в Data Science
    Познакомитесь с основными направлениями Data Science, узнаете, какие задачи решают дата-аналитики, дата-инженеры и специалисты по машинному обучению.
    Пройдёте все этапы работы с данными. Научитесь выявлять проблемы, собирать бизнес-требования. Будете выгружать данные из различных источников, проводить разведочный анализ и готовить датасет к дальнейшему использованию. Обучите и внедрите готовую ML-модель, попробуете себя в роли продуктового и маркетингового аналитика. Узнаете, как формулировать и проверять гипотезы. Освоите базовые инструменты для работы: Python, SQL, Excel, Power Bi, Airflow.
  2. Основы статистики и теории вероятностей
    Поймёте принципы работы со случайными величинами и событиями. Познакомитесь с некоторыми видами распределений и статистическими тестами, которые пригодятся при составлении моделей и проверке гипотез.
  3. Основы математики для Data Science
    Получите базовые знания по математике для работы с машинным обучением. Поймёте, что такое аппроксимация, интерполяция, функции, регрессии, матрицы и вектора. Научитесь работать с математическими сущностями в Python-библиотеке SymPy.
  4. Возможность стажировки
    Базовых знаний и навыков хватит, чтобы устроиться на стажировку, — сможете продолжить учиться на курсе и в компании одновременно.

Второй уровень: специализация и трудоустройство
Среднее время прохождения — 6 месяцев.

  1. Специализация 1: Machine Learning
    Machine Learning. Познакомитесь с алгоритмами машинного обучения для решения задач регрессии, классификации и кластеризации. Построите и обучите свою первую нейронную сеть. Научитесь подбирать параметры модели, оценивать качество и улучшать её, а также выводить результат в Production.
  2. Специализация 2: Data Engineer
    Data Engineer. Будете собирать сложные наборы данных, подготавливать витрины данных, разворачивать DS-проекты с нуля, тестировать код, выстраивать пайплайны для работы с данными и работать в команде.
  3. Специализация 3: Data Analyst
    Data Analyst. Познакомитесь с базовыми методами анализа на примере анализа продаж. Пройдёте основы маркетинговой, BI и продуктовой аналитики. Прокачаете навыки работы в Excel, Python и Power BI. Будете уметь формулировать и тестировать гипотезы и презентовать результаты заказчику.
  4. Трудоустройство с помощью Центра карьеры
  • Карьерный консультант поможет подготовиться к собеседованию в компании-партнёре. Разберёте частые вопросы и научитесь меньше переживать на интервью.
  • Напишете сопроводительное письмо и грамотно оформите резюме.
  • Будете готовы пройти собеседование — карьерный консультант организует встречу с работодателем.
  • На интервью презентуете проекты, над которыми вы работали на курсе, а знания и навыки пригодятся для выполнения тестовых задач.

Третий уровень: повышение квалификации
Среднее время прохождения — 1 год.

  1. Специализация 1: Machine Learning PRO
  • Machine Learning. Advanced. Освоите алгоритмы для построения рекомендательных систем и прогнозирования временных рядов. Научитесь применять ансамблевые методы, стекинг, бустинг, а также лучшие практики кросс-валидации, мониторинга и пайплайна ML-разработки.
  • Deep Learning. Научитесь работать с нейросетями: подробно узнаете, как они устроены, будете обучать модели, строить и тестировать архитектуры, передавать данные в нейросеть и настраивать параметры.
  • Трек 1. NLP. Научитесь применять алгоритмы машинного обучения и нейронные сети для обработки естественного языка. Узнаете, как анализировать тональность текстов, классифицировать их, распознавать речь.
  • Трек 2. Computer Vision. С помощью алгоритмов машинного обучения и нейросетей будете распознавать объекты, лица и эмоции, классифицировать и сегментировать изображения. Научитесь применять и адаптировать готовые модели CV для своих целей.
  1. Специализация 2: Data Engineer PRO
    Data Engineer. Научитесь пользоваться типовыми средствами мониторинга, настраивать алерты. Будете выбирать архитектуру для хранения данных и работать со сложными типами архитектуры хранилищ. Выстраивать инфраструктуру и пайплайны для обучения ML-моделей.
  2. Специализация 3: Data Analyst PRO
  • Трек 1. Product Analytics. Будете обрабатывать данные, исследовать взаимодействие пользователей с продуктом, интерпретировать собранную информацию. Полученные результаты помогут решить задачи бизнеса.
  • Трек 2. Marketing Analytics. Узнаете, как настраивать веб- и сквозную аналитику, создавать воронки продаж, анализировать поведение пользователей на сайте.
  • Трек 3. BI Analytics. Научитесь создавать хранилища данных, проектировать базы данных на языке SQL и работать с таблицами на продвинутом уровне. Будете решать бизнес-задачи с помощью аналитики, чистить данные, правильно их хранить и визуализировать.

Итоговые проекты
Подготовите и презентуете 3 проекта по выбранной специальности — вводный, Junior- и Middle-уровня — и добавите их в портфолио.

  1. Введение в Data Science
    Закрепите новые знания на индивидуальном проекте — пройдёте путь от загрузки данных до внедрения модели. Решите задачи дата-инженера, ML-инженера и дата-аналитика, чтобы определиться со специализацией.
  2. Machine Learning
  • Итоговый проект уровня Junior. Соревнование в Kaggle. Самостоятельно построите модель для решения задачи. Проведёте сбор и разведочный анализ данных, выберете ML-алгоритм и обучите свою модель, оцените её качество и поработаете над улучшениями.
  • Командный проект по Deep Learning.
  • Проект по Computer Vision или Natural Language Processing.
  1. Data Engineer
  • Итоговый проект уровня Junior. Проведёте когортный анализ и выгрузите справочники по API. Построите дашборды по полученным данным.
  • Итоговый проект уровня Middle — хакатон.
  1. Data Analyst
  • Junior-уровень. Product Analytics: проанализируете итоги А/B-тестирования для продукта и решите, что необходимо развивать в первую очередь.
  • Junior-уровень. Marketing Analytics: подготовите данные, посчитаете конверсии и LTV. Сделаете выводы о об эффективности рекламных кампаний.
  • Junior-уровень. BI Analytics: построите план-факт. Создадите дашборды, которые позволят понять, какие подразделения больше всего влияют на показатели компании.
  • Middle-уровень. Командный проект по выбранному треку.

Бонусные курсы

  1. Карьера разработчика: трудоустройство и развитие
    Узнаете, как выбрать подходящую вакансию, подготовиться к собеседованию и вести переговоры с работодателем. Сможете быстрее получить должность, которая соответствует вашим ожиданиям и умениям.
  2. Система контроля версий Git
    Научитесь версионировать изменения в коде, создавать и управлять репозиториями, ветками, разрешать конфликты версий. Узнаете полезные правила работы с Git.
  3. Английский для IT-специалистов
    Получите языковые навыки, которые помогут пройти собеседование в иностранную компанию и комфортно общаться в смешанных командах.

Спикеры:

  • Кирилл Шмидт
    Автор профессии Data Analyst, Product analyst Team Lead в корпорации Citrix (США), Wrike
  • Юлдуз Фаттахова
    Автор курса Machine Learning. Senior Data Scientist, Team Lead в SberData, Сбер. 5+ лет в профессии
  • Евгений Виноградов
    Руководитель отдела разработки хранилищ данных и аналитических сервисов в ЮMoney. 5 лет разрабатывает системы поддержки принятия решений
  • Владимир Ершов
    Автор курса Machine Learning, Data Solutions Manager, VISA. В Data Science больше 7 лет
  • Артур Самигуллин
    Автор профессии Data Analyst, SberDevices
  • Вячеслав Архипов
    Автор курса «Статистика и теория вероятностей». Математик, Banuba development. В Data Science больше 7 лет.

Отзывы об обучении в Skillbox доступны на сайте.

2 место. Курс «Нейронные сети и Deep Learning от SkillFactory»

Цена: 41 400 ₽, возможна рассрочка

Официальный сайт: https://skillfactory.ru/nejronnye-seti-deep-learning

  • Формат — онлайн
  • Длительность — 10 недель.

Для кого курс?

– Для специалистов Data Science.
– Для разработчиков, знакомых с основами ML.

Машинное обучение — одна из самых быстрорастущих областей знаний. Инвестиции в машинное обучение вырастут в 5#nbspраз в течение ближайших 3#nbspлет. И Deep Learning — это передовая данной индустрии.
Вы сможете пройти этот курс, если у вас есть базовое понимание машинного обучения и знание языка Python. В рамках курса вы пройдете полный путь от аренды GPU-сервера, который подходит для Deep Learning, до создания полноценной рабочей модели для компьютерного зрения, анализа естественного языка и рекомендательных систем.
Курс познакомит вас с основными библиотеками для Deep Learning, такими как TensorFlow, Keras и другими.

Преподаватели:

  • Андрей Зимовнов
    Старший разработчик в Яндекс.Дзен
  • Дмитрий Коробченко
    Deep Learning R&D Engineer, NVIDIA.

Программа курса:

  1. Введение в искусственные нейронные сети
    Создаем нейронную сеть для распознавания рукописных цифр на языке Python.
  2. Фреймворки для глубокого обучения (TensorFlow, Keras)
    Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras.
  3. Сверточные нейронные сети
    Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети.
  4. Оптимизация нейронной сети
    Улучшаем скорость и производительность сетей для кейса предыдущего модуля.
  5. Transfer learning & Fine-tuning
    Дообучение нейронной сети ImageNET для решения задачи классификации изображений.
  6. Обработка естественного языка (NLP)
    Создаем нейронную сеть для распознавания рукописных цифр на языке Python.
  7. Сегментация и Детектирование объектов
    Проектируем нейронную сеть для сегментации и обучаем нейросеть решать задачу детекции.
  8. Обучение с подкреплением (Reinforcement Learning)
    Создаем агента для игры в Pong на основе DQN алгоритма.
  9. What’s next? Продвинутые нейронные сети
    Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений.

На курсе обучение не заканчивается:

  • Портфолио
    Самостоятельное реализованные проекты в ваше резюме/портфолио
  • Развитие карьеры и бизнеса
    Консультации с ментором в течение обучения. Резюме 10% лучших студентов направляем партнерам.
  • Сертификат о прохождении курса, при необходимости на английском языке.

Отзывы об обучении в SkillFactory доступны на сайте.

3 место. Курс «Машинное обучение и нейросети от SkillFactory »

Цена: 63 000 ₽, возможна рассрочка

Официальный сайт: https://skillfactory.ru/machine-learning-i-deep-learning

Комплект продвинутых курсов для освоения машинного и глубокого обучения — от классических моделей до нейронных сетей.

Как подобрать нужный алгоритм? «Потрогаем руками» все алгоритмы и разберемся на практике — где нужны нейронные сети, а где достаточно классических алгоритмов. Комплексный подход, организованный на курсе Machine Learning Pro + Deep Learning, подойдет для тех, кто хочет прокачаться в программировании глубоких нейронных сетей и моделей машинного обучения. Прохождение курсов потребует базового знания языка Python.
В процессе обучения вы освоите все классические алгоритмы машинного обучения — от деревьев до рекомендательных систем, а также научитесь создавать различные нейронные сети.
Вас ждут хакатоны и in class соревнования на kaggle.

Курс подойдет вам, если вы:

— Новичок
Вы начинающий Data Scientist, уверенно владеете Python, разбираетесь в математике и статистике. Вы сможете систематизировать и углубить полученные самостоятельно или на бесплатных курсах знания, пообщаться с профессионалами, применить модели Machine Learning на практике.
— Программист
Вы программируете на Python и столкнулись с задачами программирования нейронных сетей в работе. На курсе вы освоите основные алгоритмы машинного обучения, обучите рекомендательную систему и создадите несколько нейронных сетей.
— Аналитик
Вы аналитик со знанием Python, оперируете большим объемом данных и хотите погрузиться в Machine Learning и Deep Learning. На курсе вы узнаете, какие задачи решает машинное обучение, примените основные методы предобработки данных, создадите чат-бота на базе нейросети.

Курс основан на практике. Фокус и упор мы делаем не на математическом фундаменте, а именно на понимании задач и практическом применении решений.

Краткая программа курса «Machine Learning PRO»:

Помощь наставника на протяжении обучения.

  1. Введение в машинное обучение
    Знакомимся с основными задачами и методами machine learning , изучаем практические кейсы и применяем базовый алгоритм работы над ml-проектом
    Решаем 50+ задач на закрепление темы
  2. Методы предобработки данных
    Изучаем типы данных, учимся очищать и обогащать данные, используем визуализацию для предобработки и осваиваем feature engineering
    Решаем 60+ задач на закрепление темы
  3. Регрессия
    Осваиваем линейную и логистическую регрессию, изучаем границы применимости, аналитический вывод и регуляризацию. Обучаем модели регрессии
    Решаем 40+ задач на закрепление темы
  4. Кластеризация
    Осваиваем обучение без учителя, практикуемся в его различных методах, работаем с текстами средствами ML
    Решаем 50+ задач на закрепление темы
  5. Tree-based алгоритмы: введение в деревья
    Знакомимся с решающими деревьями и их свойствами, осваиваем деревья из библиотеки sklearn и используем деревья для решения задачи регрессии
    Решаем 40+ задач на закрепление темы
  6. Tree-based алгоритмы: ансамбли
    Изучаем особенности ансамблей деревьев, практикуемся в бустинге, используем ансамбль для построения логистической регрессии
    Решаем 40+ задач на закрепление темы
    Участвуем в соревновании на kaggle по обучению tree-based модели
  7. Оценка качества алгоритмов
    Изучаем принципы разбиения выборки, недо- и переобучение, оцениваем модели по различным метрикам качества, учимся визуализировать процесс обучения
    Оцениваем качество нескольких моделей ML
    Решаем 40+ задач на закрепление темы
  8. Временные ряды в машинном обучении
    Знакомимся с анализом временных рядов в ML, осваиваем линейные модели и XGBoost, изучаем принципы кросс-валидации и подбора параметров
    Решаем 50+ задач на закрепление темы
  9. Рекомендательные системы
    Изучаем методы построения рекомендательных систем, осваиваем SVD-алгоритм, оцениваем качество рекомендаций обученной модели
    Решаем 50+ задач на закрепление темы
  10. Финальный хакатон
    Применяем все изученные методы для получения максимальной точности предсказаний модели на kaggle.

Программа курса «Deep Learning»:

  1. Введение в искусственные нейронные сети
    Создаем нейронную сеть для распознавания рукописных цифр на языке Python
  2. Фреймворки для глубокого обучения (TensorFlow, Keras)
    Создаем модель распознавания изображений на базе датасета FashionMNIST и фреймворка Keras
  3. Сверточные нейронные сети
    Распознаем изображения в датасете CIFAR-10 с помощью сверточной нейронной сети
  4. Оптимизация нейронной сети
    Улучшаем скорость и производительность сетей для кейса предыдущего модуля
  5. Transfer learning & Fine-tuning
    Дообучение нейронной сети ImageNET для решения задачи классификации изображений
  6. Сегментация изображений
    Проектируем нейронную сеть для сегментации людей в датасете COCO
  7. Детектирование объектов
    Обучаем нейросеть решать задачу детекции на примере датасета с логотипами брендов
  8. Введение в NLP и Word Embeddings
    Создаем нейросеть для работы с естественным языком
  9. Рекуррентные нейронные сети
    Создаем чат-бота на базе рекуррентной нейросети
  10. Reinforcement Learning (обучение с подкреплением)
    Создаем агента для игры в Pong на основе DQN алгоритма
  11. What’s next?
    Знакомимся с другими областями применения нейросетей. Создаем нейросеть GAN для генерации изображений.

Преподаватели:

  • Эмиль Магеррамов
    COO Data Lab, компания EORA
  • Антон Киселев
    Head of R&D, компания EORA
  • Сергей Веренцов
    CTO, компания EORA
  • Андрей Зимовнов
    Старший разработчик в Яндекс.Дзен
  • Дмитрий Коробченко
    Deep Learning R&D Engineer, NVIDIA
  • Эмиль Богомолов
    Инженер-исследователь в группе ADASE Сколтех.

На курсе обучение не заканчивается:

— Сертификат о прохождении курса
— Помощь с трудоустройством и стажировкой
— Самостоятельно реализованные проекты в ваше резюме/портфолио
— Тусовка специалистов и полезные знакомства.

Отзывы об обучении доступны на сайте в видеоформате.

Курс «Data Scientist с нуля до Junior от Skillbox»

Цена: 132 342 ₽ или рассрочка — 6 016 ₽ / мес

Официальный сайт: https://skillbox.ru/course/paket-data-scientist-0-junior/

Курс для тех, кто хочет в Data Science, но не знает, с чего начать. В первые полгода вы попробуете силы в машинном обучении, аналитике данных и дата-инженерии. Напишете первые аналитические модели, закрепите основы на задачах с реальными данными.
Затем освоите специализацию и добавите 2 итоговых проекта в портфолио.

  • Через 6 месяцев можно устроиться на стажировку
  • Авторы курса эксперты из Сбера, ЮMoney, Visa
  • 3 специализации на выбор
  • Обновили курс в 2021 году.

Работа с данными — процесс, в котором каждый участник команды выполняет свою задачу. Аналитик помогает принимать бизнес-решения, ML-инженер обучает модели, а Data-инженер делает так, чтобы всё работало.
Независимо от роли все программируют на Python, разбираются в математике, статистике и говорят на языке данных. Поэтому иногда таких специалистов называют просто Data Scientist.

Кому подойдёт этот курс:

— Новичкам
С нуля освоите Python, SQL, научитесь собирать и анализировать данные, получите необходимый теоретический минимум по математике, теории вероятности и статистике. Решите задачи на основе реальных кейсов и добавите проекты в портфолио. Через год сможете начать работать по профессии.
— Программистам
Подтянете математику, статистику, аналитическое и алгоритмическое мышление, научитесь выявлять потребности бизнеса. Получите опыт работы с моделями машинного обучения, будете применять Python для решения задач с данными. Пройдёте процесс от сбора данных до деплоя модели.
— Начинающим аналитикам
Вы научитесь выдвигать гипотезы и делать выводы на основе данных. Сможете писать эффективный код на Python, превращать сырые данные в полезную информацию для компании, обучать модели и прогнозировать результаты. Отшлифуете знания, увеличите скорость своей работы и добьётесь повышения.

Чему вы научитесь:

  • Аналитически мыслить
    Научитесь самостоятельно разрабатывать план решения проблемы, выдвигать и проверять гипотезы, интерпретировать результаты и представлять их руководству.
  • Не бояться математики и статистики
    Пройдёте полноценные курсы по математике, теории вероятностей и статистике. Спикеры и куратор помогут вспомнить школьную программу и дадут дополнительные знания, которые обычно проходят в вузах.
  • Извлекать данные из источников
    Будете читать файлы различных форматов при помощи Python, писать запросы к API, получать, очищать и сохранять данные. Познакомитесь с устройством баз данных и освоите язык запросов SQL.
  • Строить аналитические модели
    Например, вы сможете построить воронку продаж для интернет-магазина на основе данных о продажах и расходах. Узнаете, как проводить когортный анализ и предсказывать выручку компании.
  • Разрабатывать модели машинного обучения
    Начнёте с простых моделей, которые требуют минимальных знаний программирования. Разберётесь в алгоритмах и научитесь решать задачи регрессии, классификации и кластеризации.
  • Работать с инструментами дата-сайентиста
    Освоите Python, Git и визуализацию данных в Power BI. Будете на ты с Jupyter Notebook, сможете обучать модели машинного обучения и строить пайплайны в Airflow.

Кем вы станете после курса?

— Вариант 1. Специалист по Machine Learning
Будете анализировать большие объёмы информации, создавать модели для прогнозирования в бизнесе, медицине, промышленности. Обучать нейросети, создавать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения.
— Вариант 2. Дата-инженер
Будете разворачивать программную инфраструктуру для организации сбора, обработки и хранения данных. Вам предстоит создавать отказоустойчивые системы для работы с Big Data, писать эффективный код на Python и SQL-запросы, автоматизировать рутину, «общаться» с базами данных.
— Вариант 3. Аналитик данных
Будете помогать бизнесу принимать верные решения на основе данных. Собирать информацию и анализировать её, находить аномалии в метриках. На основе исследований будете выявлять закономерности, строить гипотезы и проверять их жизнеспособность с помощью моделирования. Научитесь визуализировать результаты работы в виде графиков и диаграмм.

Содержание курсов:

Вас ждут 80 тематических модулей и практика на основе реальных кейсов.
80 практических заданий, 2 итоговых проекта

Первый уровень: базовая подготовка
Среднее время прохождения — 6 месяцев.

  1. Введение в Data Science
    Познакомитесь с основными направлениями Data Science, узнаете, какие задачи решают дата-аналитики, дата-инженеры и специалисты по машинному обучению.
    Пройдёте все этапы работы с данными. Научитесь выявлять проблемы, собирать бизнес-требования. Будете выгружать данные из различных источников, проводить разведочный анализ и готовить датасет к дальнейшему использованию. Обучите и внедрите готовую ML-модель, попробуете себя в роли продуктового и маркетингового аналитика. Узнаете, как формулировать и проверять гипотезы. Освоите базовые инструменты для работы: Python, SQL, Excel, Power Bi, Airflow.
  2. Основы статистики и теории вероятностей
    Поймёте принципы работы со случайными величинами и событиями. Познакомитесь с некоторыми видами распределений и статистическими тестами, которые пригодятся при составлении моделей и проверке гипотез.
  3. Основы математики для Data Science
    Получите базовые знания по математике для работы с машинным обучением. Поймёте, что такое аппроксимация, интерполяция, функции, регрессии, матрицы и векторы. Научитесь работать с математическими сущностями в Python-библиотеке SymPy.
  4. Возможность стажировки
    Базовых знаний и навыков хватит, чтобы устроиться на стажировку — сможете продолжить учиться на курсе и в компании одновременно.

Второй уровень: специализация
Среднее время прохождения — 6 месяцев.

  1. Специализация 1: Machine Learning
    Machine Learning. Познакомитесь с алгоритмами машинного обучения для решения задач регрессии, классификации и кластеризации. Построите и обучите свою первую нейронную сеть. Научитесь подбирать параметры модели, оценивать качество и улучшать её, а также выводить результат в Production.
  2. Специализация 2: Data Engineer
    Data Engineer. Будете собирать сложные наборы данных, подготавливать витрины данных, разворачивать DS-проекты с нуля, тестировать код, выстраивать пайплайны для работы с данными и работать в команде.
  3. Специализация 3: Data Analyst
    Data Analyst. Познакомитесь с базовыми методами анализа на примере анализа продаж. Пройдёте основы маркетинговой, BI и продуктовой аналитики. Прокачаете навыки работы в Excel, Python и Power BI. Будете уметь формулировать и тестировать гипотезы и презентовать результаты заказчику.

Итоговые проекты
После прохождения первого уровня — подготовите вводный проект. В конце курса презентуете работу по выбранному направлению.

  1. Введение в Data Science
    Закрепите новые знания на индивидуальном проекте — пройдёте путь от загрузки данных до внедрения модели. Решите задачи дата-инженера, ML-инженера и дата-аналитика, чтобы определиться со специализацией.
  2. Machine Learning
    Соревнование в Самостоятельно построите модель для решения задачи. Проведёте сбор и разведочный анализ данных, выберете ML-алгоритм и обучите свою модель, оцените её качество и поработаете над улучшениями.
  3. Data Engineer
    Проведёте когортный анализ и выгрузите справочники по API. Построите дашборды по полученным данным.
  4. Data Analyst
  • Product Analytics: проанализируете итоги А/B-тестирования для продукта и решите, что необходимо развивать в первую очередь.
  • Marketing Analytics: подготовите данные, посчитаете конверсии и LTV. Сделаете выводы об эффективности рекламных кампаний.
  • BI Analytics: построите план-факт. Создадите дашборды, которые позволят понять, какие подразделения больше всего влияют на показатели компании.

Бонусные курсы:

  1. Карьера разработчика: трудоустройство и развитие
    Узнаете, как выбрать подходящую вакансию, подготовиться к собеседованию и вести переговоры с работодателем. Сможете быстрее получить должность, которая соответствует вашим ожиданиям и умениям.
  2. Система контроля версий Git
    Научитесь версионировать изменения в коде, создавать и управлять репозиториями, ветками, разрешать конфликты версий. Узнаете полезные правила работы с Git.
  3. Английский для IT-специалистов
    Получите языковые навыки, которые помогут пройти собеседование в иностранную компанию и комфортно общаться в смешанных командах.

Авторы и спикеры курса:

  • Кирилл Шмидт
    Автор профессии Data Analyst, Product analyst Team Lead в корпорации Citrix (США), Wrike
  • Юлдуз Фаттахова
    Автор курса Machine Learning. Senior Data Scientist, Team Lead в SberData, Сбер. 5+ лет в профессии
  • Евгений Виноградов
    Руководитель отдела разработки хранилищ данных и аналитических сервисов в ЮMoney. 5 лет разрабатывает системы поддержки принятия решений
  • Владимир Ершов
    Автор курса Machine Learning, Data Solutions Manager, VISA. В Data Science больше 7 лет
  • Артур Самигуллин
    Автор профессии Data Analyst, SberDevices
  • Вячеслав Архипов
    Автор курса «Статистика и теория вероятностей». Математик, Banuba development. В Data Science больше 7 лет.

Курс «Факультет Искусственного интеллекта от GeekBrains»

Цена: Рассрочка до 36 месяцев — от 4 614 ₽ / мес

Официальный сайт: https://gb.ru/geek_university/data-science

Получите одну из самых востребованных IT-профессий. Машинное обучение от профессиональных преподавателей.

  • 18 месяцев, 2 занятия в неделю
  • Диплом, 14 работ в портфолио
  • Трудоустройство после обучения.

За два года спрос на Data Scientist-ов вырос в два раза, по данным HeadHunter. Применяя методы машинного обучения, они строят прогнозы и повышают эффективность бизнес-процессов в любой отрасли. Мы поможем стать таким специалистом с нуля и найдем вам работу.

Вас будут обучать топовые эксперты:

– Сергей Ширкин
Data Scientist в Dentsu Aegis Network Russia, декан факультета
Применял технологии машинного обучения и искусственного интеллекта в Сбербанке и Росбанке, компаниях Equifax и Dentsu Aegis Network Russia.

– Дмитрий Коробченко
Deep Learning R&D инженер и руководитель направления в NVIDIA
Эксперт в области нейронных сетей и машинного обучения, спикер на образовательных и научно-популярных мероприятиях. Опыт в Deep Learning – с 2012 года. Закончил ВМиК МГУ. Ранее работал в исследовательском центре Samsung.

– Алексей Петренко
Python Developer, фрилансер
Разрабатывает IT-решения по автоматизации процессов учёта наличия и движения людей и технических средств для Министерства обороны РФ. За 20 лет в IT писал программы на более чем 30 языках программирования.

И др.

Программа обучения:

Наша программа одна из самых объёмных и содержательных. В то же время её легко понять, потому что знания даются постепенно: от базы к продвинутым инструментам.
380 часов обучающего контента и практики, 14 проектов в портфолио, 2 вебинара в неделю.

Подготовительный блок
Их необязательно проходить, но они помогут лучше погрузиться в обучение.
Курсы:

  • Видеокурс: как учиться эффективно
  • Основы математики
  • Основы программирования
  • Основы языка Python
  • Базовый курс

I четверть. Программирование
Научитесь работать в Linux и создавать сервера в облачных сервисах AWS, проводить поиск информации и основные операции с файлами, выполнять мониторинг работы сервера. Научитесь использовать язык запросов SQL, создавать и оптимизировать сложные запросы. Освоите библиотеки языка Python, предназначенные для Data Science: Numpy, Pandas, Matplotlib, SciKit-Learn.

  1. Встреча декана со студентами
  2. Основы языка Python
  • Знакомство с Python
  • Встроенные типы и операции с ними
  • Функции
  • Полезные инструменты
  • Работа с файлами
  • Объектно-ориентированное программирование
  • ООП. Продвинутый уровень
  • ООП. Полезные дополнения
  1. Рабочая станция
  • Введение. Установка ОС
  • Настройка и знакомство с интерфейсом командной строки
  • Пользователи. Управление Пользователями и группами
  • Загрузка ОС и процессы
  • Устройство файловой системы Linux. Понятие Файла и каталога
  • Введение в скрипты bash. Планировщики задач crontab и at
  • Управление пакетами и репозиториями. Основы сетевой безопасности
  • Введение в docker
  1. Основы реляционных баз данных и MySQL
  • Вебинар. Установка окружения. DDL — команды
  • Видеоурок. Управление БД. Язык запросов SQL
  • Вебинар. Введение в проектирование БД
  • Вебинар. CRUD-операции
  • Видеоурок. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
  • Вебинар. Операторы, фильтрация, сортировка и ограничение. Агрегация данных
  • Видеоурок. Сложные запросы
  • Вебинар. Сложные запросы
  • Видеоурок. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
  • Вебинар. Транзакции, переменные, представления. Администрирование. Хранимые процедуры и функции, триггеры
  • Видеоурок. Оптимизация запросов. NoSQL
  • Вебинар. Оптимизация запросов
  1. Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn
  • Введение в курс
  • Вычисления с помощью Numpy. Работа с данными в Pandas
  • Визуализация данных в Matplotlib
  • Обучение с учителем в Scikit-learn
  • Обучение без учителя в Scikit-learn
  • Обучение без учителя в Scikit-learn и введение в итоговый проект
  • Консультация по итоговому проекту.
  1. Проект – предсказание цен на недвижимость.

II четверть. Сбор данных и статистическое исследование
Познакомитесь с теорией вероятностей и математической статистикой. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Научитесь работать с RESTful/SOAP-сервисами, форматами XML и JSON в Python, а также познакомитесь с особенностями открытых данных (OpenData).

  1. Библиотеки Python для Data Science: продолжение
  • Введение в задачу классификации. Постановка задачи и подготовка данных
  • Анализ данных и проверка статистических гипотез
  • Построение модели классификации
  • Оценка и интерпретация полученной модели. Обсуждение курсового проекта
  1. Методы сбора и обработки данных из сети Интернет
  • Основы клиент-серверного взаимодействия. Парсинг API
  • Парсинг HTML. BeautifulSoup, MongoDB
  • Системы управления базами данных MongoDB и SQLite в Python
  • Парсинг XPath
  • Scrapy
  • Парсинг фото и файлов
  • Selenium в Python
  • Работа с данными
  1. Введение в математический анализ
  • Вводный урок
  • Множество. Последовательность. Часть 1
  • Множество. Последовательность. Часть 2
  • Предел функции. Часть 1
  • Предел функции. Часть 2
  • Производная функции одной переменной. Часть 1
  • Производная функции одной переменной. Часть 2
  • Производная функции нескольких переменных. Часть 1
  • Производная функции нескольких переменных. Часть 2
  • Интеграл. Ряды. Часть 1
  • Интеграл. Ряды. Часть 2
  1. Теория вероятностей и математической статистике
  • Случайные события. Вероятные события. Условная вероятность. Формула Байеса
  • Дискретные случайные величины. Закон распределения вероятностей. Биноминальный закон распределения. Распределение Пуассона
  • Основы математической статистики. Количественные характеристики популяции. Графическое представление данных
  • Непрерывные случайные величины. Функция распределения и функция плотности. Нормальное распределение. Центральная предельная теорема
  • Проверка статистических гипотез. P-значения. Доверительные интервалы
  • Взаимосвязь величин. Показатели корреляции. Корреляционный анализ. Проверка на нормальность
  • Линейная регрессия. Двухвыборочный t-тест. A/B-тестирование
  • Дисперсионный анализ. Метод главных компонент. Логистическая регрессия
  1. Проект – сбор информации по заданным критериям. Разведочный анализ данных (EDA) на основе полученной информации.

III четверть. Математика для Data Scientist
Рассмотрите математические аспекты алгоритмов, применяемых в Data Science: линейная и логистическая регрессия, градиентный спуск, метод ближайших соседей, кластеризация, деревья решений, случайный лес, градиентный бустинг. Поймете, как устроены алгоритмы на уровне математики.

  1. Линейная алгебра
  • Линейное пространство
  • Матрицы и матричные операции
  • Линейные преобразования
  • Системы линейных уравнений
  • Сингулярное разложение матриц
  1. Алгоритмы анализа данных
  • Алгоритм линейной регрессии. Градиентный спуск
  • Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск
  • Логистическая регрессия. Log Loss
  • Алгоритм построения дерева решений
  • Случайный лес
  • Градиентный бустинг (AdaBoost)
  • Классификация с помощью KNN. Кластеризация K-means
  • Снижение размерности данных
  1. Проект – построение модели кредитного скоринга для банка

IV четверть. Машинное обучение
Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.

  1. Машинное обучение в бизнесе
  • Data-driven-подход на примере задачи маршрутизации заявок в helpdesk
  • Профилирование пользователей. Сегментация: unsupervised learning (clustering, LDA/ARTM), supervised (multi/binary classification)
  • Связь бизнес-показателей и DS-метрик
  • Uplift-моделирование
  • Задача оттока: варианты постановки, возможные способы решения
  • Задача look-alike
  • Интерпретация прогнозов модели (SHAP): объясняем поведение модели на отдельных наблюдениях
  • Проверяем работу модели на практике: A/B-тестирование
  • Интеграция. Итоговый проект
  1. Рекомендательные системы
  • Введение, примеры задач, бизнес- и ML-метрики
  • Бейзлайны и детерминированные алгоритмы item-item
  • Коллаборативная фильтрация
  • Рекомендательные системы на основе контента
  • Поиск похожих товаров и пользователей. Гибридные рекомендательные системы
  • Двухуровневые модели рекомендаций
  • Рекомендательные системы в бизнесе
  • Консультация к курсовому проекту
  1. Видеокурс от Мегафон + курсовой проект
  • Видеотеория
  • Курсовой проект.
  1. Проекты:
    – Рекомендательная система для интернет-магазина
    – Прогнозирование оттока абонентов
    – Алгоритм для определения вероятности подключения услуги.

V четверть. Нейронные сети
Научитесь решать задачи Machne Learning с данными из соцсетей, геоданными, применением графов, а также познакомитесь с нейронными сетями. На практике познакомитесь с фреймворками для разработки нейронных сетей: Tensorflow, Keras, PyTorch.

  1. Введение в нейронные сети
  • Основы обучения нейронных сетей
  • Keras
  • TensorFlow
  • Сверточные нейронные сети
  • Рекуррентные нейронные сети
  • Сегментация
  • Детектирование объектов
  • GAN
  1. Фреймворк PyTorch для разработки искусственных нейронных сетей
  • Введение в PyTorch
  • CNN and LSTM for human action recognition
  • Generative adversarial networks (GAN): генеративные сети
  • Image Segmentation
  • Face Detection and Emotion Recognition
  1. Проекты:
    – Распознавание и классификация изображений
    – Приложение, которое анализирует объекты на камере.

VI четверть. Задачи искусственного интеллекта
Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.

  1. Введение в обработку естественного языка
  • Предобработка текста
  • Создание признакового пространства
  • Embedding word2vec fasttext
  • Тематическое моделирование. EM-алгоритм
  • Part-of-Speech разметка, NER, извлечение отношений
  • Классификация текста. Анализ тональности текста
  • Сверточные нейронные сети для анализа текста
  • Рекуррентные нейронные сети RNN LSTM GRU
  • Языковое моделирование
  • Машинный перевод. Модель seq2seq и механизм внимания
  • Модель Transformer-1
  • Модель Transformer-2
  • Модель BERT и GPT
  • Transfer learning
  • Консультация по курсовому проекту. Создание чат-бота в Telegram.
  1. Глубокое обучение в компьютерном зрении от NVIDIA
  • Обработка изображений и компьютерное зрение
  • Свёрточные нейронные сети (СНС)
  • Продвинутые архитектуры свёрточных нейросетей
  • Семантическая сегментация
  • Детектирование объектов
  • Metric learning
  • Обработка видео
  • Синтез изображений
  1. Проекты:
    – Чат-бот на основе искусственного интеллекта, который может общаться на любые темы
    – 8 мини проектов по компьютерному зрению.

Курсы вне четверти
Предметы с индивидуальным выбором даты старта. Вы можете формировать часть расписания самостоятельно и регулировать интенсивность обучения.
Курсы:

  • Подготовка к поиску работы
  • История развития искусственного интеллекта
  • Алгоритмы и структуры данных на Python
  • Введение в высшую математику
  • Спортивный анализ данных. Платформа Kaggle
  • Язык R для анализа данных
  • Визуализация данных в Tableau
  • Сверточные нейронные сети в компьютерном зрении
  • Проект – соревнование на площадке Kaggle.

Курс «Специалист по Data Science от АНО ДПО «ШАД»»

Цена: 112 000 ₽

Официальный сайт: https://practicum.yandex.ru/data-scientist/

  • Можно заниматься онлайн из любой точки мира
  • Python и его библиотеки, Jupyter Notebook и SQL
  • 75% курса — практика
  • После обучения помогаем трудоустроиться
  • 16 проектов в портфолио: исследования и задачи для бизнеса
  • Команда сопровождения поддержит вас в обучении.

Что вы будете делать, когда станете специалистом по Data Science?

  • Анализировать большие объёмы данных.
  • Применять машинное обучение, чтобы предсказывать события, прогнозировать значения и искать неочевидные закономерности в данных.
  • Помогать создавать и улучшать продукты в бизнесе, промышленности и науке.

Программа курса:

  1. Основы Python и анализа данных: бесплатный вводный курс
    Узнаете основные концепции анализа данных и поймёте, чем занимаются аналитики данных и специалисты по Data Science. Решите пять кейсов по работе с данными из разных областей:
  • выясните причину массовой поломки гаджетов,
  • проверите окупаемость рекламы мобильного приложения,
  • найдёте лучшее место для нового магазина,
  • поможете выбрать стратегию развития ИИ-стартапа,
  • оцените эффективность роботов в службе поддержки.
    Решая кейсы, вы изучите азы Python и библиотеки pandas, научитесь строить некоторые графики и верно их трактовать.
  1. Введение в профессию «Специалист по Data Science»
  • Кто такой специалист по Data Science
  • Как мы учим
  1. Базовый Python
    Глубже погрузитесь в язык программирования Python и работу с библиотекой pandas.
  • Переменные и типы данных. Вывод данных и арифметические операции
  • Строки
  • Списки
  • Цикл for
  • Вложенные списки
  • Условный оператор. Цикл while
  • Функции
  • Словари
  • Pandas для анализа данных
  • Предобработка данных
  • Анализ данных и оформление результатов
  • Jupyter Notebook — тетрадь в ячейку.
  1. Предобработка данных
    Научитесь очищать данные от выбросов, пропусков и дубликатов, а также преобразовывать разные форматы данных.
  • Введение в предобработку данных
  • Работа с пропусками
  • Изменение типов данных
  • Поиск дубликатов
  • Категоризация данных
  • Системное и критическое мышление в работе аналитика
  1. Исследовательский анализ данных
    Изучите основы теории вероятностей и статистики. Примените их для исследования основных свойств данных, поиска закономерностей, распределений и аномалий. Познакомитесь с библиотеками scipy и matplotlib. Отрисуете диаграммы, поупражняетесь в анализе графиков.
  • Введение в исследовательский анализ данных
  • Первые графики и выводы
  • Изучение срезов данных
  • Работа с несколькими источниками данных
  • Взаимосвязь данных
  • Валидация результатов
  1. Статистический анализ данных
    Научитесь анализировать взаимосвязи в данных методами статистики. Узнаете, что такое статистическая значимость, гипотезы и доверительные интервалы.
  • Введение в статистический анализ данных
  • Описательная статистика
  • Теория вероятностей
  • Проверка гипотез
  1. Теория вероятностей. Дополнительный курс
    Вспомните или узнаете базовые термины в теории вероятностей: независимые, противоположные, несовместные события и т. д. На простых примерах и забавных задачах потренируетесь работать с числами и выстраивать логику решения.
    Это необязательный спринт. Значит, каждый студент сам выбирает один из вариантов прохождения:
  • Освоить дополнительный курс из десяти коротких уроков, освежить в памяти теорию и решить задачи.
  • Открыть только блок с задачами для собеседований, вспомнить практику без теории.
  • Пропустить курс совсем или вернуться к нему, когда будет время и необходимость.
  1. Итоговый проект первого модуля
    Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы.
  2. Каникулы
  3. Введение в машинное обучение
    Освоите основные концепции машинного обучения. Познакомитесь с библиотекой scikit-learn и примените её для создания первого проекта с машинным обучением.
  • Введение в курс
  • Первая обученная модель
  • Качество модели
  • Улучшение модели
  • Переходим к регрессии
  1. Обучение с учителем
    Углубитесь в самую востребованную область машинного обучения — обучение с учителем. Узнаете, как обращаться с несбалансированными данными.
  • Введение в обучение с учителем
  • Подготовка признаков
  • Метрики классификации
  • Несбалансированная классификация
  • Метрики регрессии
  • Поведенческие алгоритмы
  1. Машинное обучение в бизнесе
    Узнаете, как машинное обучение (сокр. МО) помогает бизнесу, как собирать данные и как продуктовые метрики связаны с показателями МО. Научитесь запускать новую функциональность сервиса, применяя МО. Узнаете, что такое бизнес-метрики, KPI и A/B-тестирование.
  • Введение в машинное обучение в бизнесе
  • Метрики бизнеса
  • Запуск новой функциональности
  • Сбор данных
  • Поведенческие алгоритмы
  1. Итоговый проект второго модуля
    Подготовите данные для машинного обучения. С помощью модели оцените её качество.
  2. Линейная алгебра
    Заглянете внутрь нескольких изученных ранее алгоритмов и лучше поймёте, как их применять. На практике освоите с нуля главные концепции линейной алгебры: линейные пространства, линейные операторы, евклидовы пространства.
  • Введение в линейную алгебру
  • Векторы и векторные операции
  • Расстояние между векторами
  • Матрицы и матричные операции
  • Линейная регрессия изнутри
  1. Численные методы
    Разберёте ряд алгоритмов и приспособите их к решению практических задач с использованием численных методов. Освоите приближённые вычисления, оценки сложности алгоритма, градиентный спуск. Узнаете, как обучаются нейронные сети и что такое градиентный бустинг.
  • Введение в численные методы
  • Анализ алгоритмов
  • Градиентный спуск
  • Обучение градиентным спуском
  • Градиентный бустинг
  • Поведенческие алгоритмы
  1. Временные ряды
    Временные ряды описывают, как меняются параметры, например, объём потребления электроэнергии или количество заказов такси, с течением времени. Вы научитесь анализировать ряды, искать тренды и выявлять сезонность. Узнаете, как создавать табличные данные и задачу регрессии из временных рядов.
  • Введение во временные ряды
  • Анализ временных рядов
  • Прогнозирование временных рядов
  1. Машинное обучение для текстов
    Научитесь делать числовые векторы из текстов и решать для них задачи классификации и регрессии. Узнаете, как вычисляются признаки TF-IDF и познакомитесь с языковыми представлениями word2vec и BERT.
  • Введение в машинное обучение для текстов
  • Векторизация текстов
  • Языковые представления
  1. Каникулы
  2. Базовый SQL
    Изучите основы языка запросов SQL и реляционной алгебры для работы с базами данных. Познакомитесь с особенностями работы в PostgreSQL — популярной системе управления базами данных (сокр. СУБД). Научитесь писать запросы разного уровня сложности и переводить бизнес-задачи на язык SQL.
    Вы будете работать с базой данных онлайн-магазина, который специализируется на фильмах и музыке.
  • Введение в базы данных
  • Срезы данных в SQL
  • Агрегирующие функции. Группировка и сортировка данных
  • Взаимоотношения между таблицами. Типы объединений таблиц
  • Подзапросы и временные таблицы
  • PySpark
  1. Компьютерное зрение
    Научитесь решать простые задачи компьютерного зрения с привлечением готовых нейронных сетей и библиотеки Keras. Познакомитесь с Deep learning.
  • Введение в компьютерное зрение
  • Полносвязные сети
  • Свёрточные нейронные сети
  • Поведенческие алгоритмы
  1. Обучение без учителя
    Обучение без учителя — это один из способов машинного обучения, при котором система решает задачу без размеченных заранее данных на основе их особенностей и структуры. Познакомитесь с задачами кластеризации и поиска аномалий.
  • Введение в обучение без учителя
  • Кластеризация
  • Поиск аномалий
  1. Каникулы
  2. Выпускной проект
    В последнем проекте подтвердите, что освоили новую профессию. Уточните задачу заказчика, пройдёте все стадии анализа данных и машинного обучения. Теперь без уроков и домашних заданий — всё как на реальной работе.
    +1 проект в портфолио.

Что вы получите в Практикуме:

  • Диплом о повышении квалификации
  • Портфолио из 16 учебных и реальных проектов, сделанных во время обучения
  • Выпускники Практикума создают совместные проекты, нанимают студентов, проводят мастер-классы и помогают друг другу во время и после обучения.
  • Навыки: python и основные библиотеки, SQL, решение бизнес-кейсов, умение учиться и взаимодействовать с командой, задавать вопросы и работать с ошибками.

Отзывы студентов:

Владислав Ивченко
Студент пятнадцатого потока на программе «Специалист по Data Science»
«Недолго я искал себе школу для получения образования. При первом взгляде на бесплатную часть программы понял, что мне это подходит. Тренажер очень удобный, материал подается с юмором и в понятной форме. Пройдя бесплатную часть я уже начал испытывать ломку без новых знаний и перешел на платный курс.
Спустя полгода обучения хочу сказать, что я не только узнал много нового и интересного, я научился на практике строить прогнозы и обучать модели. Впереди еще финальные испытания и я чувствую силы в себе закончить курс и найти себе работу по специальности 🙂
Спасибо преподавателям и кураторам за то, что сделали процесс обучения мега френдли.»

Александр Баранов
Студент тринадцатого потока на программе «Специалист по Data Science»
«Некоторое время назад узнал о сфере Data Science и мне очень понравились широкие возможности прикладного применения этой отрасли. Пробовал самостоятельно изучать материалы из открытых источников, и если теорию еще удавалось освоить, то практика откладывалась в долгий ящик. А портфолио на гитхабе, как известно, само себя не сделает).
Уже довольно давно слышал про Яндекс.Практикум и, наконец, решился попробовать. Самая главная задача, которую мне удалось решить с помощью данной образовательной среды – ежедневная практика. А самый весомый результат – портфолио из разнообразных проектов, которые позволяют продемонстрировать навыки, которыми я овладел во время обучения.
Мне очень понравилось реализовывать проекты – это позволило и окунуться во всевозможные бизнес-направления (банкинг, маркетинг, промышленность) и изучить множество инструментов, о которых я ранее не знал. Впереди у меня финальный проект и мне очень интересно узнать какая задача меня ожидает и какие новые знания я получу в процессе ее решения!»

Курс «Искусственный интеллект для бизнеса: как управлять внедрением ИИ-решений в компании от Московская школа управления «СКОЛКОВО»»

Цена: 108 800 руб. — 128 000 руб.

Официальный сайт: https://www.skolkovo.ru/programmes/21062021-iskusstvennyj-intellekt-dlya-biznesa-kak-upravlyat-vnedreniem-ii-reshenij-v-kompanii/

Онлайн-курс по разработке стратегии внедрения решений на базе ИИ и машинного обучения. От терминологии до решения реальных кейсов по внедрению.

  • 7 недель, 6 модулей.

За семь недель обучения вы станете ориентироваться в классификации решений на базе искусственного интеллекта и машинного обучения. Разберете ключевые понятия и актуальные кейсы. Поймете принципы работы ИИ достаточно глубоко, чтобы ставить задачи техническим специалистам.
Программа рассчитана на специалистов без технического бэкграунда и доступно рассказывает о сложных технологических решениях.

В первую очередь программа будет полезна, если:

  • у вас стоит задача оптимизировать процессы в компании;
  • вам необходимо выстроить систему сквозной аналитики и сделать ее прозрачной, точной и релевантной;
  • вам необходимо обеспечить экономичный и безболезненный переход компании к цифровой трансформации;
  • вы хотите знать, как работают решения на базе искусственного интеллекта и машинного обучения в российских компаниях;
  • вы хотите уверенно выбирать решения для своей компании и точно просчитывать риски их внедрения;
  • вам важно быть уверенным, что ваши компетенции и знания соответствуют запросу рынка и современных компаний.

В результате курса вы:

– Разработаете свой проект по решению текущей задачи вашего бизнеса при помощи внедрения искусственного интеллекта
– сможете создавать реалистичные стратегии внедрения ИИ в соответствии с ресурсами компании
– сможете выбирать наиболее эффективные ИИ-инструменты, основываясь на типах задач, классах инструментов и ресурсах компании
– классифицируете решения на базе ИИ в соответствии с их характеристиками, функционалом и ограничениями
– сможете привлекать в компанию и эффективно оценивать работу специалистов по внедрению ИИ-решений
– сможете эффективнее ставить задачи техническим специалистам и отделам, а также понимать реалистичную скорость выполнения задач.

Структура курса:

Модуль 1. Введение в ИИ для бизнеса

  • изучите ключевые формулировки и понятия
  • узнаете, какие возможности и ограничения есть у ИИ-решений для бизнеса
  • пройдете групповую live-сессию с преподавателем

Модуль 2. Инструменты и подходы в ИИ для бизнеса. Ч. 1

  • подробно изучите виды машинного обучения
  • рассмотрите использование машинного обучения в различного рода аналитике

Модуль 2. Инструменты и подходы в ИИ для бизнеса. Часть 2

  • разберете классы подходов и моделей: нейронные сети
  • разберете актуальный кейс для закрепления знаний
  • разработаете визуальный AI-pipeline под конкретный предложенный кейс
  • пройдете групповую live-сессию с преподавателем

Модуль 3. Оценка готовности технологий и последствий внедрения ИИ

  • рассмотрите культурные и этические аспекты внедрения ИИ-решений
  • разберете инфраструктуру управления моделями
  • проанализируете актуальные возражения: предвзятость, релевантность данных, корректность систем и критериев сбора информации

Модуль 4. Формулирование задачи в терминах ИИ и определение пула необходимых ресурсов

  • изучите, как определить, достаточно ли у компании технологических, человеческих и финансовых ресурсов для внедрения ИИ-решений
  • разберете постановку задач в терминах ИИ и что важно не упустить в коммуникации
  • проанализируете актуальный кейс на предмет ошибок в анализе и выбор решения

Модуль 5. Формирование ИИ-стратегии

  • разберете стратегию разработки и внедрения ИИ для существующих и новых задач
  • изучите фреймворк работы над задачей
  • выберете и разберете проблему/задачу, которую хотите решить при помощи ИИ
  • пройдете групповую live-сессию с преподавателем

Модуль 6. Защита проектов

  • внесете заключительные корректировки в ваш проект
  • создадите видеопрезентацию к защите
  • пройдете групповую live-сессию с преподавателем
  • сформируете актуальную стратегию внедрения ИИ для решения ваших бизнес-задач.

Преподаватели:

– Михаил Недяк
Профессор, заместитель проректора по исследованиям
– Diego Granziol
Приглашенный преподаватель. Ученый в Amazon Music DE.
– Дмитрий Гуреев
CDTO директор по цифровой трансформации.

Курс создан так, чтобы процесс обучения был эффективным, сбалансированным и соблюдал все необходимые особенности работы студентов в формате онлайн-обучения.
Уклон в сторону практики и актуальных кейсов. Вы получите практический навыки: постановки задач по внедрению, оценки инструментов, готовности ресурсов и данных компании, компетентности специалистов.

Курс «Data Science и нейронные сети от Университет искусственного интеллекта»

Цена: от 89 640 руб.

Официальный сайт: https://neural-university.ru/datascience

  • Длительность — 9 месяцев, 40 занятий в сумме на 400 часов обучения
  • Гарантия трудоустройства.
  • Дипломный AI проект.

Вы станете Middle AI developer и сможете претендовать на любые AI вакансии или брать AI проекты на заказ.
Также вы сможете реализовывать свои собственные проекты, как хобби или для создания стартапа.

Создадите собственный AI проект в процессе обучения. Это может быть проект для вашей компании или проект, который вы создадите для себя и будете применять в своей работе.
Некоторые студенты делают проекты просто для интереса или для запуска собственного стартапа.

Для кого этот курс?

  • Программисты
    Java, C#, C/C++, Php, Python, 1C и другие
  • Технические специалисты
    Инженеры, тестировщики, аналитики, сис.админы и другие
  • Гуманитарии
    Врачи, дизайнеры, юристы, репетиторы, прорабы и другие
  • Предприниматели и руководители
    Владельцы бизнеса, директора, руководители отделов и другие.
  • Остальная аудитория
    Школьники, пенсионеры, преподаватели и другие.

Программа обучения:

Базовый блок
самые основные знания в сфере AI: основы python, нейронных сетей и интеграции в production.

  1. Синтаксис Python
  2. Библиотеки Numpy и Matplotlib
  3. Введение в нейронные сети. Линейный слой (Dense)
  4. Обучающая, проверочная и тестовая выборки. Переобучение НС
  5. Сверточные нейронные сети
  6. Интеграция нейронной сети на ДЕМО-ПАНЕЛЬ
  7. Обработка текстов с помощью нейронных сетей
  8. Рекуррентные и одномерные сверточные нейронные сети
  9. Библиотеки Pandas и Matplotlib
  10. Решение задачи регрессии с помощью нейронных сетей
  11. Обработка временных рядов с помощью нейронных сетей
  12. Обработка аудиосигналов с помощью нейронных сетей
  13. Архитектура автокодировщика (Autoencoder)
  14. Сегментация изображений
  15. Создание простого веб-сервера и настройка параметров работы
  16. Библиотека requests. Обращение к модели по API.

Расширенный блок
это более сложные темы, которые делают вас уже сильным профессиональным AI разработчиком.

  1. Вариационные автокодировщики
  2. Генеративно-состязательные сети
  3. Обработка текста. Модель Sequence-to-sequence
  4. Обработка текста. Механизм Attention (Сети с вниманием)
  5. Обработка текста. Механизм Transformers
  6. Обучение с подкреплением. Введение. Алгоритм Q-learning
  7. Обучение с подкреплением. Политические методы обучения, алгоритм Reinforce
  8. Обучение с подкреплением. Сети с преимуществом, улучшенный алгоритм Q-learning
  9. Обнаружение объектов (Object Detection). Модель YOLOv3
  10. Обнаружение объектов (Object Detection). Модели YOLOv4, RetinaNet
  11. Обнаружение объектов. Технология треккинга объектов
  12. Генетические алгоритмы. Введение. Базовые принципы
  13. Генетические алгоритмы. Подбор гиперпараметров нейронной сети
  14. Алгоритмы кластеризации данных
  15. Обработка аудио. Распознавание речи (SpeechToText)
  16. Обработка аудио. Технология TextToSpeech.

Расширенные блоки
В конце курса вы выбираете себе 2-3 расширенных блока для специализации и более глубокого погружения в тему: python, тексты, аудио, генеративные сети, генетические алгоритмы, интеграция в production.

  1. Python 1 (4 занятия)
  • Обработка исключений. Тестирование кода
  • Объектно-ориентированные концепции и терминология
  • Работа с файлами. Кодировки, сериализация данных, json
  • Генераторы, тернарные операторы, исключения, декораторы
  1. Тексты (4 занятия)
  • Углубление в рекуррентные сети
  • Библиотеки GENSIM и PyMorphy2
  • Text2Image
  • Модель GPT
  1. Генетические алгоритмы (4 занятия)
  • Углубленная теория
  • Миграции
  • Символьная модель
  • Пакет DEAP
  1. Аудио (4 занятия)
  • Продвинутые способы классификации аудио-сигналов
  • Архитектура DeepSpeech
  • Разделение аудио-сигналов
  • Geometry Estimation. Оценка геометрии помещения по звуку
  1. Интеграция (4 занятия)
  • Конвертация моделей нейронных сетей под приложения java, c++
  • Docker-контейнеры
  • TensorFlow Serving
  • Аренда сервера для обучения: разворачивание и настройка
  1. Генеративные сети (4 занятия)
  • Архитектура Pix2Pix
  • Архитектура CycleGAN
  • Архитектуры WGAN и BEGAN
  • Предсказание следующего кадра на видео (ConvLSTM)
  1. Python 2 (8 занятий)
  • REST запросы с requests. Работа с API
  • Основы HTML/CSS. Bootstrap
  • Парсинг HTML
  • Создание ботов для Telegram
  • Веб-сайт на Flask. MVC
  • Object Relational Mapping (ORM), SQLAlchemy
  • Веб-сайт на Django ORM
  • Django Forms.

Отзывы об обучении доступны на сайте.

Курс «Искусственный интеллект от AI-ACADEMY»

Бесплатно

Официальный сайт: https://ai-academy.ru/training/lessons/

Уроки, которые расскажут о роли искусственного интеллекта в современном мире, познакомят с машинным обучением и помогут начать самому решать задачи анализа данных.

Уроки:

  1. Искусственный интеллект
    Узнай, что представляет собой искусственный интеллект сегодня, как он появился, где применяется и на что способен уже сейчас.
  2. Машинное обучение
    Разберись, что находится в мозгах искусственного интеллекта, как работает машинное обучение и как самому начать строить нейронные сети.
  3. Введение в Python
    Освой основной язык для анализа данных и работы с машинным обучением! В уроке собрано все, что тебе потребуется, чтобы самому строить модели и решать задачи.
  4. Создание ИИ-алгоритма
    Пройди все этапы создания ИИ-алгоритма на примере беспилотного автомобиля и узнай больше о профессии Data Scientist.
  5. ИИ в образовании
    Узнай, как искусственный интеллект уже помогает человеку в различных профессиях и попробуй создать умного помощника для учителя.

Курс «Введение в искусственный интеллект от Открытое образование»

Цена: нет информации

Официальный сайт: https://openedu.ru/course/hse/INTRAI/

  • Длительность курса — 12 недель, от 3 до 4 часов в неделю.

Данный курс является вводным и знакомит слушателей с основами науки о данных и принципами работы искусственного интеллекта. Курс будет интересен и полезен не только тем, кто уже знаком с основами анализа данных и программированием, но и тем, кто не имеет бэкграунда в этой области.

Преподаватели:

– Мягких Павел Игоревич
Должность: приглашенный преподаватель Департамента больших данных и информационного поиска/Факультет компьютерных наук
– Трусов Иван Алексеевич
Должность: Приглашенный преподаватель Департамента больших данных и информационного поиска, Факультет компьютерных наук
– Бурова Маргарита Борисовна
Магистр
Должность:
Приглашенный преподаватель Департамента больших данных и информационного поиска, Факультет компьютерных наук.

Курс состоит из коротких видеолекций от 5 до 15 минут длиной. После каждого фрагмента лекции предлагаются не оцениваемые вопросы на понимание прослушанного материала. Если вам не удается ответить на вопрос, мы очень рекомендуем прослушать фрагмент еще раз и затем только переходить к следующему фрагменту лекции.
На каждой неделе будет представлен оцениваемый тест из 10-15 вопросов. Также для нескольких тем будут предложены расчетные задачи и задания с взаимным оцениванием. Эти задания помогут закрепить полученные знания.

Программа курса:

  1. Введение в искусственный интеллект
  2. Введение в машинное обучение
  3. Машинное обучение в задачах классификации
  4. Введение в машинное обучение: кластеризация и визуализация данных
  5. Введение в теорию вероятностей
  6. Введение в математическую статистику
  7. A/B тестирование
  8. Основы визуализации данных
  9. Введение в нейронные сети
  10. Нейронные сети в задачах распознавания изображений
  11. Нейронные сети в задачах стилизации изображений
  12. Другие задачи искусственного интеллекта: рекомендательные системы и ассоциативные правила

Результаты обучения:

В результате усвоения курса слушатели научатся: 

  • Обучать несложные модели на готовых данных в Orange
  • Интерпретировать статистические данные
  • Проводить разведывательный анализ данных
  • Понимать основные ошибки в рассуждениях на основе данных
  • “Отличать случайное от неслучайного” — проверять гипотезы
  • Грамотно визуализировать результаты исследований.

Курс «Нейронные сети на Python для новичков от aisimple»

Цена: 7 900 ₽ — 13 900 ₽

Официальный сайт: https://school.aisimple.ru/neural-network-python

Нейросети на Python / С++ и основы Machine Learning.

  • Срок прохождения курса: 30 дней.

Наши курсы подойдут любому:

– если вы окончили среднюю школу и имеете представление об основах математики, то никаких сложностей не возникнет.
– если вы студент, мечтающий зарабатывать на бурно развивающемся рынке специалистов по разработке нейросетей и Data Science – вы подходите!
– если вы специалист и хотите получить основной объем знаний в удобной упаковке и за короткое время, чтобы повысить свою ценность на рынке труда — записывайтесь на курс или посетите бесплатный онлайн-вебинар.

Программа курса:

  1. Введение в ИИ и алгоритмы машинного обучения
  • Введение в искусственный интеллект
  • Классификация методов искусственного интеллекта
  • Типы задач, решаемых при помощи ИИ
  • Сравнительный анализ распространенных алгоритмов машинного обучения
  • Искусственные нейронные сети и их особенности
  • Этапы нейросетевого моделирования
  • Домашнее задание
  1. Искусственный нейрон и алгоритмы обучения НС прямого распространения
  • Искусственный нейрон
  • Многослойная нейронная сеть прямого распространения
  • Обучение нейронной сети (теория)
  • Алгоритмы обучения искусственной нейронной сети прямого распространения
  • Обучение нейронной сети при помощи алгоритма обратного распространения ошибки
  • Способы нормализации переменных
  • Домашнее задание
  1. Решение задачи аппроксимации МНК vs НС прямого распространения
  • Общая постановка задачи аппроксимации
  • Решение задачи аппроксимации и прогнозирования при помощи ИНС (теория)
  • Решение задачи аппроксимации при помощи метода МНК
  • Решение задачи аппроксимации при помощи готового ПО на Python, реализация ИНС
  • Решение задачи аппроксимации при помощи готового ПО на Python, реализация МНК
  • Домашнее задание
  1. Основы программирования на Python без использования библиотек
  • Основы программирования нейронных сетей на Python / C++ (особенности, библиотеки)
  • Разработка ИНС прямого распространения на языке Python или С++ для решения задачи аппроксимации (последовательное написание кода)
  • Домашнее задание
  1. Решение задачи классификации при помощи НС на Python
  • Общая постановка задачи классификации
  • Решение задачи классификации при помощи ИНС
  • Решение задачи классификации при помощи реализации ИНС на Python
  • Домашнее задание
  1. Нейронные сети Кохонена
  • Нейронные сети Кохонена
  • Алгоритм самообучения НС Кохонена
  • Алгоритм самоорганизации НС Кохонена
  • Постановка задачи кластеризации
  • Практическая реализация НС Кохонена на Python
  • Домашнее задание
  1. Основы обработки данных для выборки
  • Методы обработки выборки исходных данных
  • Соответствие используемой структуре
  • Непротиворечивость
  • Репрезентативность
  • Практическая часть – сверточные сети с использованием библиотек Keras / TensorFlow
  • Выпускная работа (выбор темы)
  1. Разбор выпускных работ
  • Онлайн-разбор выпускных работ
  • Ответы на вопросы.

Чему вы научитесь:

  • Фундамент знаний
    Вы получите основательный фундамент базовых знаний в области логики, математической статистики и математического анализа.
  • Умение понимать то, что вы делаете
    Вы сможете мыслить с точки зрения целесообразности применения того или иного метода искусственного интеллекта для конкретных задач. Отсутствие слепого копирования чужих подходов.
  • Умение создавать собственные рабочие математические модели
    Способность проводить математическое моделирование самостоятельно без использования готовых шаблонов, а также проверять работоспособность выбранного подхода и модели.
  • Научитесь решению реальных практических задач
    В ходе прохождения курса вы самостоятельно освоите основы языка программирования Python и сможете использовать основные его библиотеки для решения задач прогнозирования, аппроксимации, распознавания изображений
  • Возможность дальнейшего роста в сфере ИИ / DataScience
    Получите возможность расти и развиваться в сфере DataScience и/или искусственного интеллекта, т.к. приобретете базовый багаж знаний.

Ведущие курса:

На наших занятиях мы объясняем сложные вещи простыми словами.

– Антон Колосов
Эксперт
– В 2009 году окончил РХТУ им. Д.И.Менделеева.
– Специальность: кибернетика.
– Область интересов: ячеечно-нейросетевые модели.
– Основатель портала neuronus.

– Михаил Васильев
Программист-разработчик
– Выпускник РХТУ им. Д.И. Менделеева. Специальность: Информационные Системы и Технологии.
– Системный программист, аналитик, специалист по обработке больших данных.

– Глеб Калайчев
Программист-разработчик
– Выпускник РХТУ им. Д.И. Менделеева по специальности «Информационные Системы и Технологии».
– Область интересов: прогнозирование спортивных событий.

Отзывы о курсе:

Юлия Княжева
«Хочется сказать вам большое спасибо за то, что вы дали достаточно чёткое представление о нейронных сетях! И по поводу математики, думаю, что такой курс, конечно, не для гуманитарных специальностей, т.е. должна быть достаточно хорошая подготовка по математике, ну или у ваших слушателей должно быть достаточно времени для освоения этого курса».

Ирина Рябова
«Курс мне понравился, но в действительности не хватало только одного:
Источники информации по используемым библиотекам. Включать в лекции эту информацию не нужно, но в качестве дополнительных материалов можно было бы добавить ссылки на ресурсы с описанием библиотек и функций в них.
Желаю Вам успехов!»

Курс «Искусственный интеллект от Stepik»

Бесплатно

Официальный сайт: https://stepik.org/course/104214/promo

Месячный интенсив по искусственному интеллекту от специалистов-практиков. Вебинары и онлайн-курс помогут участникам Национальной технологической олимпиады решить второй этап тех профилей олимпиады, где нужно программирование. В рамках курса вы освоите программирование на языке Python, познакомитесь с основными концепциями ИИ, освоите машинное зрение и обработку больших массивов данных.

  • 57 уроков, 16 часов видео, 108 тестов, 7 интерактивных задач.

Курс состоит из 3 частей:

  • неделя для начинающих,
  • неделя для продолжающих,
  • введение в специфику задачи второго этапа профиля “Искусственный интеллект” Национальной технологической олимпиады.

Участники курса будут не только выполнять задания, но и участвовать в вебинарах, которые ведут специалисты из IT-индустрии. Вопросы можно задать хелперам в Discord-канале.
Новичкам в Python стоит рассчитывать на 3 часа работы в день. Мы рекомендуем пройти его с самого начала.
Более опытные программисты могут присоединиться начиная со 2 или 3 недели.
Те, кто пройдёт задания любой недели курса на 60% баллов или более, могут получить сертификат. Он будет ждать на платформе «Талант», где вы проходили регистрацию. Таким образом, за курс можно получить до 3 сертификатов. Задавайте вопросы спикерам и хелперам, общайтесь в чате, не бойтесь выходить за рамки заданий.

Для кого этот курс:
Школьники 8-11 класса, интересующиеся точными науками и участвующие в НТО.

Программа курса:

  1. Введение в Python
  • Введение
  • Основы синтаксиса
  • Условные операторы
  • Проверочные задания
  1. Работа с данными
  • Списки
  • Словари
  • Проверочные задания
  1. Работа с циклами
  • Циклы
  • Операции над строками
  • Проверочные задания
  1. Элементы ООП
  • Функции
  • Основные понятия ООП
  • Проверочные задания
  1. Введение в анализ данных
  • Pandas
  • Работа с данными
  • Проверочные задания
  1. Визуализация данных
  • Беседа с победителем НТО
  • Мастер-класс по визуализации
  • Проверочные задания
  1. Работа с Numpy
  • Массивы Numpy и линейная алгебра
  • Операции с массивами
  • Проверочные задания
  1. Введение в Data Science
  • Задачи и модели
  • Библиотека Scikit-Learn
  • Проверочные задания
  1. Работа с Pandas
  • Мастер-класс по работе с данными.
  • Проверочные задания
  1. Регрессия и вероятности. Часть 1
  • Линейная регрессия
  • Проверочные задания
  1. Регрессия и вероятности. Часть 2
  • Логистическая регрессия
  • Проверочные задания
  1. Решающие деревья и композиции алгоритмов
  • Дерево решений и случайный лес
  • Композиции алгоритмов
  • Проверочные задания
  1. Основы обработки изображений
  • Мастер-класс по обработке изображений
  • Теоретическое дополнение и полезные ссылки
  • Проверочные задания
  1. Введение в нейронные сети
  • Мастер-класс по нейронным сетям
  • Проверочные задания
  1. Kaggle-практикум
  • Kaggle-практикум
  • Проверочное задание
  1. CNN и задача классификации
  • Мастер-класс по CNN
  • Проверочные задания
  1. Свёрточные нейронные сети. Теория
  • Мастер-класс по свёрточным нейронным сетям
  • Проверочные задания
  1. Свёрточные нейронные сети. Практика
  • Мастер-класс по свёрточным нейронным сетям
  • Проверочные задания
  1. Углубленные темы CNN
  • Лекция про CNN
  • Проверочные задания
  1. Дообучение нейронных сетей
  • Мастер-класс по Transfer Learning
  • Проверочные задания
  1. Использование и особенности рекуррентных нейронных сетей
  • Мастер-класс по RNN
  • Проверочные задания
  1. Архитектуры CNN
  • Мастер-класс по архитектурам CNN
  • Проверочные задания
  1. Введение в обработку естественного языка
  • Введение в NLP
  • Проверочные задания.

Отзывы прошедших курс:

Даниил Воронин
«Интересный курс, за месяц позволил с ушами окунуться в ИИ. Довольно познавательно :)»

Роман Тихомиров
«Очень хороший курс. Но часть заданий приходится решать тупым перебором, поэтому только 4 звезды».

Курс «Искусственный интеллект от МАКПП»

Цена: 4 000 ₽

Официальный сайт: https://makpp.ru/course-pk/iskusstvennyij-intellekt

Данный курс позволит вам освоить востребованную на рынке труда профессию. И стать специалистом, способным качественно осуществлять свои профессиональные обязанности.

  • Продолжительность — от 73 часа
  • Удостоверение по ФГОС.

Данный курс позволит вам освоить востребованную и высокооплачиваемую профессию специалиста по искусственному интеллекту. И получить все знания и навыки, необходимые для успешной карьеры:

  • Правовые и теоретические основы профессиональной деятельности;
  • Введение в системы искусственного интеллекта;
  • История развития представлений об искусственном интеллекте и способы программирования;
  • Логические способы программирования искусственного интеллекта;
  • Искусственный интеллект и экспертные системы, построение нейронных сетей;
  • Современные тенденции развития технологий искусственного интеллекта в
  • России и мире;
  • Искусственный интеллект как основа нового технологического уклада и т.д.

Продолжительность обучения в рамках данного курса составит — 1 месяц (144 часа). Вы можете получить диплом быстрее, выбрав формат обучения «Экстернат» и пройдя весь курс в более сжатые сроки.

Отзывы об обучении в МАКПП доступны на сайте.

Курс «Искусственный интеллект от Университет 20.35»

Цена: разная стоимость

Официальный сайт: https://ai.2035.university/

Экосистема университетов и компаний – технологических лидеров по созданию условий мирового лидерства России в области технологий искусственного интеллекта.

Проект направлен на предоставление открытого доступа к практико — ориентированным (кейс — методы) образовательным программам по искусственному интеллекту от лучших российских и мировых университетов (115 курсов).

В процессе обучения участники решают кейсы от передовых IT — компаний и участвуют в мероприятиях Университета НТИ, вырабатывая практически навыки работы.

Полученные знания и навыки формируют цифровой профиль участников, подтверждаемый сертификатом соответствия специалисту в сфере Искусственного интеллекта в соответствии с профессиональным стандартом.

Основная команда проекта:

  • Надежда Сурова
    Руководитель проекта
  • Роман Евдокимов
    Координатор по работе с органами власти
  • Александр Степанов
    Координатор по технической поддержке
  • Александр Каплевский
    Координатор по работе с технологическими компаниями
  • Анастасия Проценко
    Координатор по работе с вузами
  • Артём Горюнов
    Специалист по Data Science
  • Мария Новицкая
    Специалист по Data Science
  • Сергей Братчиков
    Аналитик данных.

Курс «Программирование искусственного интеллекта от «Развивайся»»

Цена: 3 200 руб.

Официальный сайт: https://www.racamp.ru/artificialintelligence

  • Курс рассчитан на детей 8-12 лет
  • Продолжительность курса: 6 месяцев, 1 занятие (90 минут) в неделю
  • Кол-во учеников в группе: до 8 человек
  • По итогам вручается сертификат о прохождении курса.

Познакомим школьников с основными проблемами, которые решаются с помощью современных интеллектуальных систем; расширим их представление о технологиях машинного обучения и перспективах развития этого направления индустрии информационных технологий; познакомим с основными видами задач, решаемых с помощью систем машинного обучения в разных областях и сферах деятельности человека; изучая программирование на практике, потренируемся в создании настоящего искусственного интеллекта.

На курсе «Программирования искусственного интеллекта» ребята:

  • Научатся составлять математические формулы при создании «ИИ».
  • Познакомятся и изучат понятие «Переменная».
  • Научатся использовать функции при работе с «ИИ».
  • Познакомятся с предметом теории вероятностей.
  • Изучат азы программирования искусственного интеллекта.
  • Познакомятся с принципами работы машинного обучения.
  • Изучат основы работы нейронных сетей.
  • Научатся создавать «ИИ» с возможностью распознавания речи, внешнего облика, эмоций.
  • Разберутся с принципами работы нейросетей на примере системы замены лиц.
  • Изучат устройство когнитивной системы «ИИ» с помощью когнитивных сервисов Майкрософт.

Курс «Основы работы с большими данными (Data Science) от Центр компьютерного обучения «Специалист» при МГТУ им.Н.Э.Баумана»

Цена: 13 450 ₽ — 32 000 ₽

Официальный сайт: https://www.specialist.ru/course/ds0

Цель курса — ознакомиться с современными подходами к анализу «больших данных». Полученные знания и навыки позволят слушателям повысить эффективность принятия решений за счет грамотного сбора, структурирования и применения современных техник анализа больших объемов данных: Data – Information – Knowledge – Wisdom: от данных — к мудрости в принятии решений!

  • Длительность: 16 ак. ч.

Компаний, внедряющих Big Data, становится все больше. Растет спрос на специалистов, которые могут комплексно работать с большими массивами данных: анализировать, обрабатывать и визуализировать их. Аналитик больших данных, решая бизнес-задачи, развивается одновременно в IT и бизнесе.
Курс позволит Вам «подружиться» с Big Data (большими данными).

В курсе рассматриваются вопросы:

  • источники информации: структурированные и неструктурированные;
  • основные характеристики больших данных и способы их анализа;
  • элементы классификации данных и машинного обучения;
  • основы статистического анализа, построение регрессионных зависимостей;
  • визуализация «больших данных»;
  • обзор классов задач, решаемых инструментами машинного обучения и ИИ: распознавание образов, звуков, текста, прогностика, анализ соцсетей;
  • обзор математических инструментов решения: нейронные сети, графы, нечеткие и К-значные логики;
  • обзор прикладных инструментов: AWS, Azure AI, machine learning c демонстрацией применения;
  • специальности в области «больших данных» и формирование команд: аналитики данных, «ученые по данным», программисты по «большим данным», менеджеры по «большим данным» (CDO).
  • методы реорганизации работы компании при применении анализа «больших данных».

Предлагаемый курс позволит управляющему персоналу, менеджерам, разработчикам, другим сотрудникам, вовлеченным в аналитическую деятельность своей компании, ознакомиться с современными инструментами сбора, подготовки, обработки и анализа больших объемов разнородных данных.

Вы научитесь:

  • определять источники сбора информации и формировать требования к ним;
  • применять стандартный CRISP-DM процесс для Вашей организации;
  • подбирать команду для работы с большими данными (Big Data);
  • выбирать инструментарий для практической работы;
  • применять специализированные инструменты Excel – «Пакет анализа данных» и «Тренды»;
  • применять «дерево решений»;
  • определять подходящие инструменты и методы для решения основных классов задач машинного обучения и взаимодействовать с разработчиками;
  • использовать методы классификации данных для машинного обучения;
  • подбирать выборки разработки, тестовую и обучающую для достижения наилучших результатов анализа информации;
  • организовывать реорганизацию работы компании для применения управления на основе больших данных.

Вы будете знать:

  • понимать концепцию больших данных (Big Data);
  • знать типовые задачи, для решения которых применяется машинное обучение: анализ трендов, социальных сетей; распознавание графических, видео- и аудио-образов, текста; прогностика действий (на примере покупок);
  • владеть базовыми математическими понятиями;
  • понимать основные методы обработки и анализа данных: регрессия, нейронные сети; графы, К-значные логики;
  • знать основные современные инструменты анализа данных;
  • понимать принципы организации и структуру команд по работе с бигдата.

Программа курса:

Модуль 1. Область применения больших данных. Типовые задачи.  (1 ак. ч.)

  • Цели курса
  • Определение основных понятий
  • История науки о данных
  • Выгоды от работы с большими данными
  • Типовые задачи: прогноз продаж, производства, спроса. Анализ поведения. Распознавание образов. Экспертные системы.

Модуль 2. Сбор и подготовка исходных данных. Методика CRISP-DM (1 ак. ч.)

  • С чего начать. Межотраслевая стандартная методика работы с данными CRISP-DM
  • Описательное и ассоциативное исследование исходных данных
  • Сегментирование и очистка данных (slice and dice). Примеры инструментов Excel
  • Визуализация данных в Excel. Как использовать сводные таблицы и диаграммы
  • Практическая работа. Сегментировать и очистить тестовый набор данных.

Модуль 3. Основы математической статистики. ANOVA. Надстройка Excel «Пакет анализа» (2 ак. ч.)

  • Описательная статистика
  • Среднее, наиболее вероятное, медиана
  • Дисперсия, стандартное отклонение, стандартная ошибка
  • Виды распределений
  • Пакет анализа данных Excel
  • Обзор других прикладных средств работы с данными (R, Python, Octave, MathLab, специализированные БД).
  • Практическая работа. Определить статистические характеристики выборки данных.

Модуль 4. Задача прогноза продаж. Понятие машинного обучения. Корреляция. Регрессионный анализ (3 ак. ч.)

  • Постановка задачи оценки взаимосвязи между различными факторами и построение прогноза
  • Корреляция. Коэффициент Пирсона
  • Критерий Стьюдента (T-анализ)
  • Основы машинного обучения
  • Регрессионный анализ
  • Критерий Фишера
  • Построение и анализ трендов в Excel
  • Практическая работа. Определить наличие корреляции и регрессионную зависимость между двумя выборками данных. Построить тренд.

Модуль 5. Задачи классификации и распознавания образов, видео, речи, текста. Понятие нейронных сетей. Примеры применения.  (3 ак. ч.)

  • Задача сегментации дискретных данных на примере задач распознавания (графика, речь, текст)
  • Нейронные сети как инструмент решения задач классификации
  • Демонстрация на примерах Azure, AWS
  • Задачи классификации данных в социальных сетях и поиска оптимального решения (маршрута)
  • Графы как инструмент решения задач на социальных графах и прогнозирования поведения
  • Дерево решений
  • Разбиение на выборки (обучающую, тестовую, проверочную)
  • Анализ ошибок обучения. Базис и отклонения. Ручная корректировка
  • Практическая работа: провести классификацию набора данных и его разбиение на сегменты.

Модуль 6. Задача исследования социальных сетей. Задача прогнозирования поведения пользователя. Социальные и направленные графы. Деревья решений. Примеры применения (3 ак. ч.)

  • Задача классификации данных в социальных сетях
  • Графы как инструмент решения задач на социальных графах и прогнозирования поведения
  • Разбиение на выборки (обучающую, тестовую, проверочную)
  • Анализ ошибок обучения. Базис и отклонения. Ручная корректировка

Модуль 7. Продвинутые инструменты: глубокое машинное обучение, искусственный интеллект, нечеткие множества (1 ак. ч.)

  • Понятие Deep Machine Learning
  • Многофакторный бизнес анализ на примере нечетких логик

Модуль 8. Профориентация по специальностям в Data Science. Выводы и рекомендации по построению и организации работы команды (2 ак. ч.)

  • Роли специалистов по DS: аналитик данных, ученый по данным, программист, цифровой директор
  • Требования к компетенциям и взаимодействию сотрудников в области аналитики данных
  • Состав и требования к проектной команде для DS
  • Подготовка компании к применению «бигдата».

Курс «Анализ данных и искусственный интеллект от НИУ ВШЭ »

Цена: разная стоимость

Официальный сайт: https://cs.hse.ru/dsonline/

3 больших специализации по современному анализу данных и искусственному интеллекту.

Курсы специализаций подготовлены при экспертной поддержке и при участии компании Яндекс.

  1. Основы машинного обучения
    Студенты узнают, что понимается под методами машинного обучения и искусственного интеллекта. Сначала студенты изучат необходимые понятия и теоремы из математики, а также полноценно освоят Python — мощный и популярный язык программирования. Затем разберутся со всеми основными моделями машинного обучения, научатся правильно ставить задачи, измерять качество решения, готовить и анализировать данные, проводить эксперименты.
  2. Data Science
    Студенты изучат всё необходимое, чтобы пройти собеседование на junior позицию data scientist’а: специализация даст полноценные знания в области машинного обучения и нейросетей, а также навыки для работы с большими массивами данных.
  3. Искусственный интеллект
    Студенты получат полноценные знания по современному машинному и глубинному обучению и будут готовы решать исследовательские задачи. Также освоят основные методы обучения с подкреплением, которое всё чаще используется при решении задач, связанных с искусственным интеллектом.

Для кого эти курсы?
Для студентов программ инженерного, экономического, социального и естественно-научного профилей, которые не изучали анализ данных, но хотят уметь решать задачи анализа и обработки данных в своей профессии.

Для студентов открыты бесплатно два курса:

  1. «Python для извлечения и обработки данных»
    Курс знакомит с языком программирования Python — де-факто стандартным инструментом для анализа данных. На курсе студенты научатся программировать с нуля, познакомятся с базовыми возможностями языка и смогут использовать его в повседневной работе. Также студенты погрузятся в сбор данных на Python и научатся работать с большими массивами данных.
  2. «Основы машинного обучения»
    Курс посвящён основам анализа данных и машинного обучения. Студенты научатся предобрабатывать данные и искать в них проблемы, изучат основные методы машинного обучения и способы оценки качества моделей и начнут применять их в реальных задачах.

Информация о преподавателях доступна на сайте.

Курс «Искусственный интеллект от Фонд «Интеллект»»

Цена: нет информации

Официальный сайт: https://intellect-foundation.ru/programms/akademicheskaya-programma-iskusstvennyij-intellekt/

 Программа разработана с учетом опыта ведущих мировых (Стэнфордский университет) и российских (Школа Анализа Данных Яндекса, Факультет Компьютерных наук ВШЭ) образовательных программ и обеспечивает уровень подготовки, не требующий освоения программ дополнительного образования от IT- компаний.

Образовательная траектория:

– 2 обязательных курса:

  1. Введение в искусственный интеллект
    Вводный обзорный курс, в рамках которого рассматриваются ключевые понятия из всех основных разделов. Платформой послужил курс “CS 221 ArtificialIntelligence: PrinciplesandTechniques”, являющегося обязательным для студентов Стэнфордского университета, выбравших тему искусственного интеллекта как направление специализации. В весеннем семестре 2021 года курс читается как спецкурс. С 2021-2022 учебного года он будет читаться как МФК. Курс организован таким образом, что каждую тему читает лектор из специализированной области.
    Курс включает следующие разделы:
  • Логические методы и представление знаний
  • Планирование и поиск решений в пространстве состояний
  • Машинное обучение
  • Человеко-машинное взаимодействие
  1. Машинное обучение
    Курс акцентирует внимание на различных аспекта: языке программирования Python, специализированных библиотеках (numpy, pandas, scikit-learn) и средах программирования (Jupyternotebook). В ходе курса изучаются основные задачи машинного обучения (с размеченными/неразмеченными данными, с подкреплением) и методы их решения (начиная от классических линейных, метрических и байесовских, заканчивая современными – ансамблированием).
    В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Дается краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения. Кроме классических тем, уделяется время анализу сложных сетей, методам интерпретации данных и моделей.

– Курсы по выбору:

  1. Бакалавры
  • Компьютерное зрение
  • Интеллектуальные методы обработки видео
  • Вероятностные модели
  • Байесовские методы в машинном обучении
  • Нейробайесовские методы
  • Теория обратной связи
  • Глубокое обучение
  • Практическое введение в пакеты машинного обучения.
  1. Магистры
  • Математическое и статистическое программирование
  • Интеллектуальный анализ данных
  • Пакеты прикладных программ для статистической обработки и анализа данных
  • Нейросетевые методы обработки изображений
  • Математические методы анализа текстов
  • Обучение с подкреплением
  • Байесовские методы
  • Актуальные проблемы теории управления: новые типы обратной связи
  • Методы искусственного интеллекта в теории управления.

– Научно-исследовательская практика:
Поддержка научных исследований

  • Именные стипендии
  • Конкурс лучших научных проектов
  • Гранты на исследовательскую работу
  • Оплата участия в международных конференциях с докладами.

– Защита выпускной квалификационной работы
– Сертификат.


Руководитель программы – Фомичёв Василий Владимирович
Заместитель декана факультета ВМК МГУ имени М.В.Ломоносова, заведующий кафедрой нелинейных динамических систем и процессов управления, доктор физико-математических наук, профессор.

Преподавательский состав:

  • Ватолин Дмитрий Сергеевич
    Образование: Прикладная математика и информатика, Московский государственный университет имени М.В. Ломоносова
    Специализация: Интеллектуальные методы обработки видео.
  • Ветров Дмитрий Петрович
    Образование: Прикладная математика и информатика, Московский государственный университет имени М.В. Ломоносова
    Специализация: Байесовские методы машинного обучения, оценивание обобщающей способности алгоритмов распознавания образов, методы статистического реляционного обучения, графические модели, методы Монте-Карло с марковскими цепями, обработка изображений, математические методы нейроимиджинга, статистический анализ активности мозга, поиск закономерностей в дискретных временных рядах.
  • Воронцов Константин Вячеславович
    Образование: Инженер-математик, Московский физико-технический институт
    Специализация: Анализ текстов, информационный поиск, вероятностное тематическое моделирование, анализ транзакционных данных, анализ биомедицинских данных, диагностика заболеваний по электрокардиограмме.

И др.

Курс «Искусственный интеллект от Microsoft »

Бесплатно

Официальный сайт: https://news.microsoft.com/ru-ru/microsoft-zapuskaet-besplatnye-onlajn-kursy-po-ii/

Благодаря новой инициативе Microsoft получить образование в области машинного обучения и искусственного интеллекта может любой желающий. Программа Microsoft Professional Program for Artificial Intelligence включает в себя десять курсов, которые проведут учащегося от азов разработки ИИ до создания собственного проекта.

Каждый из курсов длится три месяца и стартует в начале квартала. После вводного курса, в рамках которого ученики узнают общие принципы работы ИИ и познакомятся со сферами и способами его применения, начинаются практические занятия. Например, курс по использованию языка Python для обработки данных или курс, который включает в себя занятия по визуализации данных на Python и R.

Практика чередуется с более сложной теорией. Так, в программу включен курс по математике, состоящий из необходимых элементов линейной алгебры, теории вероятностей, математической статистики и оптимизации. Завершающая часть программы состоит из наиболее сложных курсов: моделирование данных для машинного обучения, глубокие нейросети, обучение с подкреплением, обработка естественного языка, распознавание речи и образов.
Помимо технических занятий учащиеся пройдут курс по этике ИИ: они узнают о юридических и моральных вопросах, связанных с обработкой персональных данных и построением систем искусственного интеллекта.

Курс «Введение в искусственный интеллект от Cabar School»

Бесплатно

Официальный сайт: https://school.cabar.asia/ru/course/vvedenie-v-iskusstvennyj-intellekt/

Базовый вводный курс в мир искусственного интеллекта.
Курс включает в себя 5 основных модулей, полезные ссылки и глоссарий и предназначен для любого человека, который хочет набраться вдохновения, а также концептуальной и практической базы для изучения искусственного интеллекта (AI).
Курс рассчитан на 6 недель изучения с нагрузкой от 4 -6 часов в неделю (в зависимости от сложности раздела).
Модули состоят из видео лекций от 8 до 15 минут, к видеоматериалу прилагается дословная расшифровка.
Курс рекомендуется для практикующих и начинающих журналистов, блогеров, студентов факультетов журналистики вузов стран Центральной Азии. Требуется минимальное владение информационными компьютерными технологиями (на уровне опытного пользователя ПК).

Что вы изучите?

  • Что такое искусственный интеллект и что он умеет?
  • Примеры применения AI в журналистике
  • Основные понятия при работе в Python
  • Алгоритмы линейной регрессии
  • Логистическую регрессию и принцип ее работы
  • Что такое данные и для чего они нужны?

Программа:

– Модуль 1
В этом модуле вы узнаете, что такое искусственный интеллект и что он умеет, а также чего же достигли журналисты с развитием искусственного интеллекта?

  • Введение в искусственный интеллект
  • Вопросы.

– Модуль 2
В этом разделе вы узнаете значения некоторых математических понятий, таких как линейная и логистическая регрессии. Это основные понятия при работе в Python, которые вам пригодятся.

  • Что нам важно знать до того, как приступить к практике?
  • Вопросы.

– Модуль 3
В этом модуле вы познакомитесь с алгоритмами линейной регрессии на практике, а также узнаете, что такое функция потерь (или loss function).

  • Линейная регрессия.

– Модуль 4
В этой лекции вы узнаете, что такое логистическая регрессия и как она работает

  • Логистическая регрессия
  • Вопросы.

– Модуль 5
В этом разделе вы узнаете, как мы обучаемся и для чего нам нужны данные?

  • Что такое данные и для чего они нужны?
  • Вопросы.

– Ресурсы
В этом разделе вы найдете ссылки на ресурсы, которые помогут вам дальше развиваться в направлении статистики, искусственного интеллекта и глубинного обучения и глоссарий, в котором приведены основные термины, которые используются в курсе.

  • Ресурсы для дальнейшего самообучения
  • Глоссарий.


Преподаватель – Азамат Омуралиев
Data Scientist at ING / Со-основатель Школы данных.

Отзывы:

Abdrakhman
«Благодарю за курс, лаконичный и доступный материал».

Zarema
«Восхитительный курс
В данном онлайн-курсе вы и вправду сможете узнать основы ИИ, которые просто необходимы нам всем в современном мире. 5 звезд!»

Курс «Искусственный интеллект и машинное обучение от Инжинириум МГТУ им. Н.Э.Баумана»

Бесплатно

Официальный сайт: https://inginirium.ru/courses/ai-2035

  • Для детей: 9-11 класс
  • Длительность: 144 ак.ч.

Курс для тех, кто хочет познакомиться с основами науки о данных. По результатам обучения школьники старших классов смогут самостоятельно решать задачи из соответствующей области знаний, в том числе: формировать запросы в базах данных с использованием SQL, проводить анализ больших данных, реализовывать системы машинного обучения и искусственного интеллекта.

Одним из ключевых направлений цифровой экономики в мире является развитие искусственного интеллекта и систем, использующих и обрабатывающих большие данные. Эти направления зиждутся на науке о данных, т.е. о тех закономерностях, подходах и принципах, которые лежат в алгоритмах обработки и хранения огромных массивов неструктурированной информации. В основе этой науки лежит машинное обучение и математическая статистика. А связью машинного обучения и математической статистики является искусственный интеллект, т.е. системы, способные обучаться и принимать решения в зависимости от накопленного «опыта», т.е. статистики.

Ключевые задачами реализации программы являются:

  • Сформировать у обучающихся школ базовые знания и умения языка программирования SQL;
  • Познакомить обучающихся школ с направлением больших данных;
  • Развить пространственное, статистическое и функциональное мышление;
  • Сформировать логику разработки программ (на основе языка Python);
  • Сформировать навыки первичной обработки больших массивов данных и описательного анализа;
  • Ввести обучающихся школ в типы нейронных сетей и обучить азам машинного обучения.
  • Научить обучающихся школ самостоятельно применять полученные знания для решения прикладных задач.

Преподаватели:

  • Новиков Андрей Дмитриевич
    Образование: МГТУ им. Н.Э.Баумана
    Факультет Специальное машиностроение
    Кафедра «Ракетно-космические композитные конструкции».
  • Андреев Данил Алексеевич
    Образование: окончил с отличием МГТУ им. Н.Э. Баумана по специальности «Проектирование, производство и эксплуатация ракет и ракетно-космических комплексов». Финалист европейского турнира бизнес-кейсов по корпоративной стратегии и инженерии.
  • Приёмко Кирилл Сергеевич
    Образование: МГТУ им.Н.Э.Баумана
    Факультет робототехники и комплексной автоматизации
    Кафедра «Прикладная механика».

И др.

Курс «Искусственный интеллект от Международная Академия Экспертизы и Оценки»

Цена: 10 000 руб.

Официальный сайт: https://xn—-ctbjbandgghjauad9cbatife5q.xn--80axh3d.xn--p1ai/

  • Продолжительность курса: 3 месяца, 520 часов.
  • Формат обучения: дистанционный (без отрыва от работы, в любом городе РФ).

Данный курс позволит вам освоить востребованную и высокооплачиваемую профессию специалиста по искусственному интеллекту. И получить все знания и навыки, необходимые для успешной карьеры:

  • Правовые и теоретические основы профессиональной деятельности;
  • Введение в системы искусственного интеллекта;
  • История развития представлений об искусственном интеллекте и способы программирования;
  • Логические способы программирования искусственного интеллекта;
  • Искусственный интеллект и экспертные системы, построение нейронных сетей;
  • Современные тенденции развития технологий искусственного интеллекта в России и мире;
  • Искусственный интеллект как основа нового технологического уклада и т.д.

В результате обучения Вы получаете диплом о профессиональной переподготовке установленного образца, который даёт право на ведение профессиональной деятельности.

Курс «Искусственный интеллект (ИИ) от Университет РАУ»

Цена: 18 000 руб. — 40 000 руб.

Официальный сайт: https://rau.ru/iskusstvennyj-intellekt-ii/

  • Продолжительность обучения – 8 месяцев.
  • Нагрузка 20 ак. часов в неделю, можно совмещать с основной работой, обучением
  • Поддержка кураторов на протяжении всего обучения
  • Сертификат международного образца.

Онлайн-курс по искусственному интеллекту рассматривает основные бизнес-приложения машинного обучения, распознавания образов в данных, прогнозирования и повышения производительности вычислительных систем.

Слушатели изучают передовые концепции машинного обучения, в том числе деревья решений, QUEST-алгоритм применительно к номинальным, порядковым и непрерывным функциям и недостающим данным. В ходе изучения машинного обучения подробно рассматривается C5.0-алгоритм и его ключевые функции, такие как глобальная оптимизация и сокращение. Слушатели изучают продвинутые вопросы анализа, применительно к деревьям решений, таким как прогнозирование и упаковка.

Курс охватывает четыре основные темы:

  1. Машинное обучение и нейронные сети;
  2. Создание стоимости на всех этапах цепочки создания продукта (проектирование, производство, продвижение и продажа) и в различных отраслях (розничная торговля, электроэнергетика, производство, здравоохранение и образование);
  3. Элементы трансформации искусственного интеллекта (прецеденты/источники ценности, экосистема данных, методы и инструменты, интеграция в рабочие процессы);
  4. Использование искусственного интеллекта в розничной торговле, электроэнергетике, производстве, здравоохранении и образовании.

Кому будет интересен курс?

  • Собственникам бизнеса;
  • Топ-менеджерам компании;
  • Бухгалтерам;
  • Техническим специалистам; аналитикам данных;
  • Специалистам IT-направлений;
  • Робототехникам;
  • Специалистам по созданию баз знаний.

Курс «Технологии искусственного интеллекта для каждого от МЭО »

Цена: 15 000 рублей

Официальный сайт: https://ai.mob-edu.ru/o-programme

Цель программы – Формирование готовности нового поколения к взаимодействию с искусственным интеллектом (ИИ).

Предметные области, изучаемые в программе:

– Наука о данных
– Машинное обучение
– Машинное зрение
– Обработка естественных языков
– Программирование на Python.

Структура программы:

  • 1 модуль. Вдохновение
    Исследование возможностей ИИ и обсуждение проблем, связанных с реализацией ИИ;
  • 2 модуль. Приобретение знаний
    Обучение базовым концепциям ИИ через решение практик нетехнических задач;
  • 3 модуль. Опыт
    Глубокое погружение в ИИ через практику и решение технических задач. В модуле обучение возможен выбор одного из трех направлений: наука о данных, машинное обучение, машинное зрение. Написание программ на языке Python является сквозным элементом каждого из направлений;
  • 4 модуль. Применение знаний
    Создание социально направленных проектов с использованием элементов искусственного интеллекта.

Модели реализации программы:

  1. Курс дополнительного образования
    Модель может быть реализована в рамках системы основного или дополнительного образования. Программа рассчитана на весь учебный год и направлена на углубление знаний, развитие интересов, способностей учащихся, их профессиональное самоопределение.
    Длительность курса от 72 до 144 часов.
  2. Проектная деятельность
    Программа может быть реализована в рамках проектной деятельности, курса «Индивидуальный проект» или внеурочной деятельности. Модули программы могут стать дополнением к материалам для подготовки к олимпиаде по НТИ или профильным конкурсам и соревнованиям в направлении ИИ.
    Длительность курса от 72 до 144 часов.
  3. Лаборатория искусственного интеллекта
    Модель предполагает создание лабораторий ИИ на базе образовательного учреждения. В рамках лаборатории могут проводиться обучающие занятия, STEM мероприятия, работа над проектами, разработка и реализация проектных решений в области ИИ под руководством группы технических экспертов. Занятия в лаборатории могут служить дополнением профильного учебного предмета или специализации.
    Длительность обучения от 72 до 144 часов.

Курс «»Искусственный интеллект: создайте свою первую нейросеть» от Нетология»

Бесплатно

Официальный сайт: https://netology.ru/programs/neural-networks-free

Узнайте, как устроены нейросети, в каких сферах они применяются и самостоятельно обучите математическую модель.

  • Уровень — для начинающих
  • Формат — видеолекции, вебинары и практика с самопроверкой.

Машинное обучение облегчает труд человека и применяется везде: от тяжёлого машиностроения до медицины. Но несмотря на широкую известность, работа с нейросетями может казаться доступной только учёным. На курсе вы поймёте, что это не так.

На курсе вы сможете создать 4 нейросети, выполнив все практические задания.

Что вас ждёт:

— Получите представление об устройстве нейросетей и о том, как они решают конкретные задачи.
— Разберётесь во взаимосвязи понятий —ИИ, машинного обучения, глубокого обучения, нейросетей.
— Познакомитесь со сферой Data Science и поймёте, как в ней сможете развиваться лично вы.

И главное — самостоятельно обучите нейросеть распознавать собак на фото, классифицировать изображения и определять эмоциональную окраску сообщения.

Программа курса:

  1. Что такое нейронные сети
    Разберётесь во взаимосвязи ИИ, машинного обучения, нейронных сетей и глубокого обучения. Узнаете принципы построения искусственных нейросетей. Установите программу Python и напишете свой первый код.
  • Практика для базового уровня: настроить нейронную сеть с помощью весов, чтобы решить операцию.
  • Практика для продвинутого уровня: подобрать веса для решения задачи классификации предоставленного датасета.
  1. Обучение нейросети
    Обучите свою первую модель и поймёте, где брать материал для обучения нейронных сетей. Разберётесь в логике решения задач регрессии и классификации.
  • Практика для базового уровня: на искусственном датасете обучить нейронную сеть.
  • Практика для продвинутого уровня: решить задачу по классификации ирисов.
  1. Виды нейронных сетей
    Разберётесь в видах сложных нейросетей и поймёте, для какой задачи лучше использовать конкретный вид. Узнаете, что такое предобученные нейросети и как они упрощают решение задач. Вместе с преподавателем разберёте примеры по решению задачи классификации.
  • Практика для базового уровня: обучить модель классификации эмоциональной окраски сообщения.
  • Практика для продвинутого уровня: обучить модель обнаружения собак на фото.
  1. Data science сегодня
    Узнаете, как начать карьеру в data science: какие навыки нужны, как можно расширить свой кругозор по теме. Определите свои цели и спроектируете путь дальнейшего развития.
  • Практика: итоговый тест на знание материала всего курса.
  1. Заключительное занятие
    Разбор вопросов и подведение итогов. Рекомендации по резюме: структура и описание опыта обучения на курсах.

Преподаватели:

  • Алексей Миронов
    Ведущий инженер по разработке в «ДомКлик» — сервисе Сбера по покупке недвижимости
  • Владимир Черных
    Основатель и CEO компании retouchee — сервиса автоматической обработки продуктовых фотографий для ecommerce
  • Иван Родин
    Исследователь в Philips Research, аспирант University of Catania.
Поделиться с друзьями
blank
Сергей Савин

Высшее образование в сфере «Образование и педагогика», работал учителем математики с 2006 по 2014 год. Эксперт по выбору профессии и курсов с 2018 года. Изучаю отзывы о курсах, онлайн-школах, колледжах и институтах, составляю ТОП-рейтинги.

Оцените автора
Савин.Инфо