Разработка систем искусственного интеллекта на Python

Целевая аудитория

Программа предназначена для разработчиков, студентов, специалистов по анализу данных и всех, кто стремится освоить методы создания систем искусственного интеллекта на Python. Курс подойдёт как для тех, кто уже имеет базовые навыки программирования, так и для тех, кто хочет расширить свои знания в области ИИ и машинного обучения.

Предварительные требования

• основы программирования на Python
• элементарные знания математики и статистики
• базовые навыки работы с ПК и интернетом

Цель курса - обучение созданию систем искусственного интеллекта на Python, начиная с классических алгоритмов машинного обучения и заканчивая глубокими нейронными сетями и современными подходами к интеграции и развёртыванию ИИ-решений. Курс также знакомит слушателей с трендами в области MLOps, позволяющими автоматизировать и оптимизировать жизненный цикл моделей.

Приобретаемые знания и навыки

По окончании курса слушатели смогут:

• разрабатывать скрипты и приложения на Python для анализа данных и обучения моделей
• реализовывать классические алгоритмы машинного обучения с использованием scikit-learn
• создавать и оптимизировать нейронные сети с TensorFlow и Keras
• применять современные методы обработки естественного языка и обучения с подкреплением
• интегрировать и развертывать ИИ-системы в реальных приложениях, используя подходы MLOps

Программа курса

Модуль 1: Основы Python для ИИ и введение в машинное обучение

• Введение в Python для искусственного интеллекта: особенности языка, экосистема и роль Python в разработке ИИ-систем
• Установка и настройка среды разработки: PyCharm, Jupyter Notebook, VS Code – выбор и настройка инструментария
• Основы синтаксиса Python: переменные, типы данных, операторы, функции и модули
• Работа с библиотеками для обработки данных: NumPy и pandas: основы работы с массивами и табличными данными
• Практическое занятие: разработка простых скриптов для анализа и визуализации данных

Модуль 2: Методы машинного обучения и классические алгоритмы

• Основы машинного обучения: супервизорное и несупервизорное обучение, ключевые понятия и задачи
• Алгоритмы классификации и регрессии: линейная регрессия, логистическая регрессия, SVM и их применение
• Алгоритмы кластеризации и понижения размерности: K-средних, иерархическая кластеризация, применение PCA
• Предобработка и подготовка данных: очистка, масштабирование, нормализация и разделение выборок
• Практическое занятие: реализация моделей машинного обучения с использованием библиотеки scikit-learn

Модуль 3: Глубокое обучение и нейронные сети

• Введение в глубокое обучение: ключевые концепции, отличие глубокого обучения от классических методов
• Построение нейронных сетей: перцептроны, многослойные нейронные сети, функции активации
• Работа с TensorFlow и Keras: создание, обучение и оценка моделей нейронных сетей
• Современные архитектуры нейронных сетей: сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), LSTM
• Интеграция OpenCV для компьютерного зрения. Основы работы с OpenCV, предобработка изображений, детекция объектов
• Практическое занятие: разработка модели глубокого обучения для задач компьютерного зрения или обработки последовательностей. Разработка модели глубокого обучения для задач компьютерного зрения с использованием OpenCV

Модуль 4: Разработка специализированных систем ИИ: NLP и Reinforcement Learning

• Обработка естественного языка (NLP): основы NLP, токенизация, векторизация текста, использование NLTK и spaCy
• Модели трансформеров и современные подходы в NLP: обзор моделей BERT, GPT и их применение в реальных задачах
• Введение в обучение с подкреплением (Reinforcement Learning): основные принципы, алгоритмы Q-Learning и Deep Q-Networks
• Практическое занятие: реализация модели для анализа текстов и/или создание базовой RL-системы

Модуль 5: Интеграция и развёртывание систем ИИ

• Проектирование комплексного ИИ-решения: постановка задачи, сбор и подготовка данных, выбор алгоритмов
• Интеграция моделей в приложения: разработка REST API с использованием Flask/Django, контейнеризация моделей
• Введение в MLOps: CI/CD для моделей, мониторинг, обновление и оптимизация ИИ-систем
• Тестирование и оптимизация: оценка производительности, профилирование и устранение узких мест
• Практическое занятие: разработка и презентация итогового проекта с развертыванием модели в реальном приложении

Документы об окончании курса

• Сертификат Учебного центра Noventiq
• Cертификат об обучении установленного образца