Курс: Разработчик искусственного интеллекта

Продолжительность курса: 40 ак. ч.

Описание курса:
В рамках данного курса научитесь создавать искусственный интеллект, который может анализировать данные, обучаться и принимать решения.

Аудитория:
• Новички в IT с интересом к новым технологиям;
• Аналитики данных;
• Разработчики.

Необходимая подготовка:
Уверенно работать с компьютером, знать Python, знать Excel.

Программа курса:

Модуль 1. Основы программирования и контроль версий:
• Введение в программирование: переменные, типы данных, операторы;
• Условия и циклы;
• Функции, простые алгоритмы;
• Введение в Git: установка, базовые команды (init, add, commit, status;
• Работа с удалёнными репозиториями (GitHub), создание README.md.

Модуль 2. Знакомство с базами данных:
• Что такое СУБД, реляционные и нереляционные БД;
• Создание таблиц, первичные ключи;
• SQL: SELECT, WHERE, ORDER BY, LIMIT;
• Агрегатные функции (COUNT, SUM, AVG);
• Практическое задание. Запросы к учебной БД.

Модуль 3. Основы математики и информатики:
• Алгоритмы: понятие, свойства, виды;
• Структуры данных: массивы, стек, очередь, словарь;
• Основы дискретной математики: множества, логика;
• Вычислительная сложность: O-нотация;
• Практикум. Реализация простых алгоритмов.

Модуль 4. Теория вероятностей, статистика и линейная алгебра:
• Вероятность, условная вероятность, распределения;
• Описательная статистика: среднее, дисперсия, медиана;
• Корреляция, ковариация;
• Векторы, матрицы, операции над ними;
• Линейные уравнения и их применение в ML;
• Практика. Анализ набора данных с использованием формул.

Модуль 5. Анализ данных в Excel и основы Python:
• Интерфейс Excel: формулы, фильтры, сводные таблицы;
• Графики и диаграммы;
• Введение в Python: установка, Jupyter Notebook;
• Синтаксис Python: переменные, условия, циклы;
• Работа с файлами и вывод информации;
• Практика. Обработка CSV-файлов.

Модуль 6. Погружение в Python и анализ данных:
• Функции, аргументы, возвращаемые значения;
• ООП: классы, объекты, методы;
• Библиотеки: NumPy (массивы, операции), Pandas (DataFrame, Series);
• Очистка данных, обработка пропусков, фильтрация;
• Практика. Анализ реального набора данных.

Модуль 7. Основы искусственного интеллекта и машинного обучения:
• Что такое ИИ, ML, DL;
• Типы задач: регрессия, классификация, кластеризация;
• Подготовка данных для моделирования;
• Обучение и тестирование моделей;
• Примеры: KNN, линейная регрессия;
• Практика. Обучение первой модели с помощью Scikit-Learn.

Модуль 8. Глубокое обучение и архитектура нейросетей:
• Введение в нейронные сети;
• Слои, активационные функции, обратное распространение;
• Сверточные и рекуррентные сети;
• Примеры применения: компьютерное зрение, NLP;
• Практика. Использование готовой модели (например, через TensorFlow/Keras).

Модуль 9. Введение в Big Data и сбор данных:
• Что такое Big Data, принципы 4V;
• Сбор данных: веб-скрапинг, API, логи;
• Разметка данных, этические аспекты;
• Практика. Сбор данных с сайта (BeautifulSoup/Requests).

Модуль 10. ETL, Apache Spark и бизнес-аналитика:
• Что такое ETL: extract, transform, load;
• Введение в Apache Spark: RDD, DataFrame, Databricks;
• Инструменты визуализации: Power BI, Tableau, Matplotlib;
• Построение отчетов и дашбордов;
• Практика. Создание простого дашборда.

Модуль 11. Библиотеки Python и NLP:
• Расширенное использование Scikit-Learn;
• Введение в PyTorch и Keras;
• Обработка текста: токенизация, векторизация;
• Модели NLP: Bag-of-Words, TF-IDF, Word2Vec;
• Практика. Классификация текстов.

Модуль 12. Операционные системы, базы данных и визуализация:
• Основы Linux: команда, работа с файлами, права доступа;
• Docker: контейнеры, образы, запуск сервисов;
• Работа с MySQL и MongoDB;
• Визуализация: Matplotlib, Seaborn, Plotly;
• Практика: разворачивание БД в Docker + визуализация данных.


Окончательная цена указывается в договоре на обучение. Записаться на курс