Анализ данных и искусственный интеллект PRO

Анализ данных и искусственный интеллект

Уникальный цифровой курс «Анализ данных и искусственный интеллект PRO» разработан ведущими преподавателями-практиками МГТУ им. Н.Э. Баумана и экспертами в области анализа больших данных и искусственного интеллекта. В рамках программы Вы освоите знания, методы и технологии искусственного интеллекта, инструменты работы с большими данными, основы разработки программного обеспечения и приложений, навыки проектирования нейронных сетей, алгоритмы и системы машинного обучения. По итогам успешного обучения выдается удостоверение о повышении квалификации МГТУ им. Н.Э. Баумана.

Преимущества программы:

Обучение в дистанционном формате из любой удобной локации.
Интенсивное погружение в предметную область.
Консультации преподавателя в формате онлайн после каждого пройденного учебного модуля.
Оперативная поддержка в чате Telegram по всем вопросам обучения как во время прохождения, так и после завершения курса в неограниченный период времени.
Четкая структурированность и практико-ориентированность учебного материала.
Передача новейших знаний с использованием бесшовных образовательных технологий.
Доступ к пройденным материалам в течение 4 месяцев после окончания курса.
Удостоверение о повышении квалификации МГТУ им. Н.Э. Баумана.

Записаться на курс Связаться и узнать подробнее

Программа курса

5 тематических
модулей

150 академических
часов

75 аудиторных
часов

Анализ данных и искусственный интеллект

Анализ данных и искусственный интеллект PRO

Программа курса в PDF

Записаться на курс Связаться и узнать подробнее

В этом курсе вас ожидает

5 тематических
модулей

150 академических
часов

Данные и системы их хранения

Технологии обработки данных. Большие данные: инструменты и технологии. Применение методов машинного обучения и искусственного интеллекта. Методы обработки данных в промышленной аналитике. Искусственный интеллект в задачах бизнес-аналитики.
Базы данных. Визуальное моделирование баз данных. Графическая и физическая модель базы данных.
Реляционные базы данных. SQL, синтаксис обращения к базам данных. PostgreSQL.
Разбор практических кейсов по применению методов обработки данных, методов машинного обучения и искусственного интеллекта в промышленной аналитике и задачах бизнес-аналитики: разбор задач при обработке «сырых» данных, примеры источников данных.
Инструменты для моделирования. Draw.io, DB desgn, PGAdmin.

Разработка компьютерных программ

Управляющие конструкции в Python. Ветвления, циклы, исключения. Типы данных.
Коллекции в Python. Списки, кортежи, словари.
Функции. Синтаксис, аргументы, именованные аргументы, область видимости переменных, возвращаемое значение.
Классы. создание объектов своих классов, инкапсуляция, наследование классов.
Создание простого окна, взаимодействие с пользователем, Qt Designer. Основные виджеты окон, их свойства и методы.
Сигналы и события, диалоговое окна. Различные способы компоновки виджетов. Сборка оконного десктопного приложения.
Связь приложения с внешним миром. Запись и чтение из файла, работа с настройками приложения, выход в Интернет.
Методы управления проектированием сложных систем искусственного интеллекта. Управление проектированием информационных систем. Объектная парадигма.
Основы языка UML. Основные принципы применения CASE-средств. Функциональные требования к ПО - UML Use-Case. Структура и поведение программ. Диаграммы классов, последовательностей и активностей UML. Проектирование реализации - диаграммы компонентов, диаграммы развертывания в UML.
Понятие жизненного цикла программного обеспечения (ПО). Стадии и модели жизненного цикла ПО. Стандарты жизненного цикла ПО.
Методы описания объекта автоматизации. Стандарты IDEF0, BPMN.
Управление требованиями к ПО, модели описания требований, системы управления требованиями.
Проектирование архитектуры ПО. Фреймворки проектирования архитектуры. Язык ArchiMate.
Обеспечение качества ПО. Системы автоматизированного тестирования. Практическая работа: разбор практических кейсов по применению Python при разработке приложений.

Модельно-алгоритмический аппарат интеллектуальных систем

Корреляционно-регрессионный анализ. Корреляционное поле. Коэффициент линейной корреляции. t-критерий Стьюдента. Регрессия. Метод наименьших квадратов. Множественная и многофакторная регрессия. Метод Брандона. Полный факторный эксперимент. Расчет коэффициентов уравнения регрессии. Дробный факторный эксперимент.
Нейросетевые технологии анализа данных. Искусственные нейронные сети и глубокое обучение. Нейро-нечеткие системы.
Проблема снижения размерности данных. Метод главных компонент (Principal Component Analysis).
Алгоритмы кластеризации. Метод k-means, c-means, hierarchical clustering. Выбор алгоритма кластеризации.
Задача классификации. Матрица ошибок. Точность классификации. Модель анализа ROC-AUC.
Методы классификации. Метод ближайших соседей k-NN. Метод опорных векторов.
Понятие временного ряда. Предварительная обработка временных рядов. Методы семейства ARMA. Применение LSTM нейронных сетей к анализу временных рядов.
Теоретические основы имитационного моделирования сложных систем. Методика построения имитационных моделей сложных систем.
Моделирование в PowerSim.
Моделирование в среде Anylogic. Практическая работа: разбор практических кейсов по применению методов корреляционно регрессионного анализа для решения учебных и практических задач.

Практическое применение интеллектуальных методов

Обработка естественного языка. Базовые понятия. Понятия токенизации, стемминга, лемматизации.
Модель Bag of Words, ее применение для классификации текста. Применение машинного обучения для сентимент-анализа предложений. Тематическое моделирование.
Задачи компьютерного зрения. Сегментация изображений, детекция объектов, классификация изображений, отслеживание движущихся объектов в видеопотоке, распознавание лиц, оптическое распознавание символов (OCR).
Генерация изображений. Базовые методы CV. Точечные операторы. Линейная фильтрация. Операторы соседства. Преобразования Фурье. Пирамиды и вейвлеты. Геометрические преобразования. Глобальная оптимизация.
Установка библиотеки OpenCV. Отслеживание объектов. Вычисление разности между кадрами, использование цветовых пространств, метод вычитания фоновых изображений, алгоритм CAMShift, использование оптических потоков.
Обнаружение и отслеживание лиц с использованием каскадов Хаара. Использование интегральных изображений для отслеживания глаз и направления взгляда.
Классификация изображений с помощью однослойных нейронных сетей.
Сверточные нейросети (CNN), классификация изображений с их помощью. Однослойная и многослойная нейронная сеть.
Визуализация символов с использованием базы данных оптического распознавания символов, системы оптического распознавания символов.
Теоретические основы принятия управленческих решений. Методы принятия управленческих решений. Системы поддержки принятия управленческих решений. Автоматизированные системы поддержки принятия управленческих решений.
Практическая работа: решение кейсов по теме.

Итоговая аттестация

Зачет.

Записаться на курс Связаться и узнать подробнее

Резюме «Специалист по искусственному интеллекту»

Знания и навыки

Анализ нейросетей и генерация гипотез относительно их применения в бизнесе
Мониторинг решений с искусственным интеллектом, применимых для различных бизнес процессов
Формирование предложений по интеграции искусственного интеллекта
Работа с командами для внедрения ИИ
Выстраивание бизнес-процессов с учётом внедрения ИИ

Заработная плата от:: 150 000 руб.
Желаемая должность:: Специалист по искусственному интеллекту

Анализ данных и искусственный интеллект PRO

Записаться на курс

Расписание

Чему вы научитесь

Программа курса

Преподаватели курса

Резюме «Специалист по искусственному интеллекту»

Знания и навыки

Документы об окончании