Курси Data Science та Machine learning

На курсі ви навчитеся проєктувати й впроваджувати мультиагентні системи, де AI-агенти з визначеними ролями розв'язують складні багатокрокові задачі в межах єдиної архітектури. Ви опануєте побудову агентів, способи їх комунікації, оркестрацію workflow та підготовку до запуску в продакшн.

Програма курсу

Основи GenAI та LLM як фундамент для мультиагентних систем

• Розумітимете роботу LLM на базовому рівні та їхні обмеження
• Усвідомите цінність агентних та мультиагентних підходів
• Знатимете основні принципи роботи трансформерів та концепцію attention
• Вмітимете пояснити, що таке токени, ембедінги та контекстне вікно
• Орієнтуватиметеся в імовірнісній природі відповідей LLM та причинах виникнення галюцинацій

Поняття LLM Agent

• Знатимете основні компоненти архітектури LLM-агента
• Вмітимете визначати ролі, цілі та обмеження для агента
• Ознайомитеся з популярними фреймворками для побудови агентів
• Орієнтуватиметеся в принципах роботи пам'яті та управління контекстом
• Розумітимете, як формується поведінка агента через поєднання prompt, пам'яті, інструментів та механізмів reasoning

Інженерія LLM-агентів

• Вмітимете створювати базових агентів з використанням фреймворків
• Зможете спроєктувати поведінку агента й керувати його взаємодією з інструментами відповідно до заданої логіки
• Розумітимете концепцію Tool/Function Calling
• Інтегруватимете зовнішні інструменти в агента

Prompt Engineering техніки для керованих мультиагентних систем

• Розберетеся в різниці між Zero-Shot, Few-Shot і Chain-of-Thought підходами
• Знатимете основні компоненти якісного промпту
• Вмітимете використовувати різні техніки промптингу залежно від завдання та проєктувати промпти
• Розумітимете, як за допомогою prompt chaining та reflection-технік забезпечувати передбачувану і стабільну поведінку агентів

Побудова RAG-систем для мультиагентних рішень

• Зрозумієте принципи роботи RAG-систем
• Вмітимете створювати embeddings та зберігати їх у векторних базах
• Знатимете різні стратегії chunking та їх застосування
• Вмітимете будувати базові RAG-системи
• Інтегруватимете RAG як окремий компонент у мультиагентну систему та використовуватимете його для ухвалення рішень агентами

Інструменти оркестрації AI-агентів

• Розберетеся в оркестрації в мультиагентних системах
• Вмітимете створювати складні workflow з використанням LangGraph
• Проєктуватимете і реалізовуватимете керовані мультиагентні workflow з умовами, циклами та паралельними гілками виконання
• Керуватимете станом агентів та передачею контексту між ними в складних сценаріях
• Обиратимете інструмент оркестрації залежно від задачі та архітектури системи

Дизайн взаємодії агентів

• Знатимете різні типи взаємодії між агентами
• Вмітимете проєктувати communication patterns між агентами
• Розумітимете, як розробити мультиагентну систему
• Розподілятимете ролі між агентами та налаштовуватимете їхню відповідальність у складі AI-команди
• Обиратимете модель взаємодії агентів залежно від типу задачі

Воркшоп: побудова мультиагентної системи

• Вмітимете будувати повноцінні мультиагентні системи від початку до кінця
• Розумітимете практичні виклики імплементації теоретичних концепцій
• Імплементуватимете складні communication patterns
• Реалізовуватимете механізми Human-in-the-Loop для контролю критичних рішень у мультиагентних системах
• Будуватимете динамічні воркфлоу з умовною маршрутизацією та вибором агентів залежно від контексту задачі

Протоколи комунікації

• Ознайомитеся з протоколом MCP та його застосуванням
• Знатимете принципи роботи A2A-протоколу
• Вмітимете проєктувати структуру повідомлень для агентів
• Розумітимете, як використовувати протоколи комунікації для побудови масштабованих і незалежних агентних систем
• Реалізовуватимете взаємодію між агентами через стандартизовані протоколи в реальних проєктах

Інструменти тестування та моніторингу

• Розумітимете специфіку тестування LLM-систем
• Вмітимете визначати метрики якості для агентних систем
• Знатимете інструменти для моніторингу і трекінгу
• Проводитимете Prompt Evaluation та Regression Testing
• Виявлятимете погіршення якості роботи агентів у продакшені та прийматимете рішення щодо їхньої оптимізації

Особливості деплойменту агентних систем

• Розумітимете архітектуру продакшн-середовища для LLM-агентів
• Вмітимете контейнеризувати агентні системи
• Ознайомитеся з наявними хмарними сервісами
• Обиратимете оптимальну стратегію деплойменту агентної системи залежно від вимог до масштабування, вартості й безпеки
• Розумітимете ризики безпеки агентних систем та вмітимете закладати базові механізми захисту

Експлуатація та підтримка

• Розумітимете цикл продакшн-системи на базі LLM
• Вмітимете планувати версіювання та оновлення
• Знатимете методи оптимізації продуктивності й вартості
• Вмітимете ухвалювати обґрунтовані рішення щодо оптимізації витрат і якості агентних систем у процесі їхньої експлуатації
• Організовуватимете процес збору фідбеку та метрик для постійного покращення роботи мультиагентної системи

Прикладні сценарії multi-agent systems

• Знатимете реальні сценарії застосування мультиагентних систем
• Вмітимете адаптувати технології до конкретних бізнес-задач
• Оцінюватимете доцільність використання multi-agent підходу
• Зможете проєктувати архітектуру мультиагентної системи під конкретний прикладний сценарій
• Зрозумієте, як обирати інструменти й ролі агентів залежно від задачі та обмежень бізнесу

Захист курсових проєктів

• Презентуєте фінальний проєкт
• Поставите запитання колегам
• Отримаєте фідбек від лектора

Особливості курсу

• Допомога ментора
• Практика
• Підтримка в Slack
• Індивідуальний фідбек
• Курсовий проєкт: власна мультиагентна система
• Сертифікат про проходження курсу

Викладачі курсу

Влад Шанін - Lead AI Engineer у міжнародній техкомпанії

На курсі ви навчитеся будувати керований AI pipeline - від data до inference, API, monitoring та scale - і отримаєте production-ready проєкт у портфоліо.

Програма курсу

AI Engineering in Real Products

• Розумітимете роль AI Engineer у бізнесі та його відповідальність за результат
• Відрізнятимете AI Engineering від ML, Data та Backend-напрямів
• Інтегруватимете AI як частину продукту, а не окрему "фічу"
• Бачитимете повний AI-lifecycle: від даних і моделі - до продакшену та підтримки

Data Engineering for AI

• Проєктуватимете ingestion-архітектуру під різні типи даних
• Працюватимете з PDF, DOCX і HTML, зокрема з OCR для неструктурованих джерел
• Реалізовуватимете streaming ingestion із використанням черг і батчингу
• Застосовуватимете data versioning для контролю змін і відтворюваності даних

Production Data Pipelines

• Виконуватимете cleaning, normalization та deduplication даних
• Застосовуватимете chunking для підготовки даних до обробки моделями
• Будуватимете metadata pipelines для керування контекстом і походженням даних
• Працюватимете з feature stores для повторного використання та консистентності фіч

Classical ML in Production

• Будуватимете пайплайни навчання моделей за допомогою scikit-learn
• Організовуватимете training і validation для коректної оцінки моделей
• Використовуватимете MLflow для трекінгу експериментів і метрик
• Працюватимете з model registry для керування версіями моделей та релізами

PyTorch for Real Systems

• Запускатимете нейронні мережі в продакшені з урахуванням вимог до стабільності й масштабування
• Оптимізуватимете інференс за допомогою GPU та batching
• Зберігатимете й завантажуватимете ваги моделей для відтворюваності та оновлень

LLM Engineering (API + Self-hosted)

• Орієнтуватиметеся в екосистемі OpenAI, Claude та open-source моделей
• Оцінюватимете tokenomics і latency під бізнес- та продуктні сценарії
• Розгортатимете й використовуватимете self-hosted моделі через Ollama

Embeddings & Semantic Systems

• Працюватимете з embeddings для представлення тексту і даних у векторному вигляді
• Застосовуватимете similarity search для пошуку релевантного контенту
• Використовуватимете базову vector math для порівняння, кластеризації та ранжування результатів

Vector Databases in Production

• Працюватимете з векторними базами даних Qdrant, FAISS і Pinecone
• Реалізовуватимете hybrid search на базі BM25 і векторного пошуку
• Налаштовуватимете filtering для точного контролю результатів пошуку

RAG Systems (Enterprise Level)

• Застосовуватимете різні chunking-стратегії залежно від типу даних і сценарію використання
• Налаштовуватимете retrievers для ефективного отримання релевантного контексту
• Керуватимете context window моделей, щоби балансувати якість відповідей та вартість обробки

API Layer for AI Systems

• Розроблятимете API для AI-сервісів на FastAPI
• Використовуватимете async для ефективної роботи з конкурентними запитами
• Запускатимете background jobs для довгих задач без блокування сервісу
• Налаштовуватимете Redis cache та rate limiting для стабільності й контролю навантаження

AI Agents & Tool Orchestration

• Проєктуватимете архітектуру агентів під бізнес- і продуктні сценарії
• Застосовуватимете підхід ReAct для поєднання reasoning та дій
• Налаштовуватимете tool calling для взаємодії агентів із зовнішніми сервісами
• Будуватимете агентні workflow за допомогою LangGraph

MLOps Foundations

• Використовуватимете MLflow і model registry для керування версіями моделей та релізами
• Застосовуватимете DVC для версіювання даних та відтворюваності експериментів
• Налаштовуватимете CI/CD-пайплайни для автоматизації навчання та деплою моделей
• Запускатимете canary deploy для безпечного оновлення моделей в продакшені

Containers for AI

• Контейнеризуватимете AI-сервіси за допомогою Docker
• Використовуватимете multi-stage збірки для зменшення розміру образів та швидших деплоїв
• Запускатимете GPU-контейнери для ефективного інференсу та навчання моделей

Kubernetes for AI Systems

• Розгортатимете AI-сервіси в Kubernetes
• Використовуватимете Helm для керування конфігураціями та релізами
• Налаштовуватимете HPA для автоматичного масштабування під навантаження
• Виконуватимете rolling updates без простоїв сервісу

Production AI: Monitoring & Drift

• Виявлятимете model drift і реагуватимете на деградацію якості моделей
• Відстежуватимете document drift і зміни вхідних даних
• Будуватимете observability для AI-сервісів з використанням Prometheus і Grafana
• Налаштовуватимете alerting для швидкої реакції на інциденти в продакшені

MCP (Model Context Protocol): AI Tools Architecture

• Розумітимете, що таке MCP (Model Context Protocol) і навіщо він з'явився
• Пояснюватимете, яку проблему MCP розв'язує в продакшн AI-системах: хаос tools, vendor lock-in і відсутність стандарту
• Орієнтуватиметеся в архітектурі MCP та ролях Host, Client і Server
• Відрізнятимете MCP від OpenAI function calling, LangChain tools і класичних microservices
• Уявлятимете, як MCP працює в реальному продукті: з локальними інструментами, корпоративними API та sandbox-середовищами

LLM Fine-Tuning in Production

• Розрізнятимете fine-tuning, RAG і prompting та обиратимете підхід під задачу
• Застосовуватимете PEFT-підходи: LoRA, QLoRA та adapters для ефективного донавчання моделей
• Проєктуватимете dataset для instruction-tuning з урахуванням якості й масштабу
• Використовуватимете label masking (### RESPONSE:) для коректного навчання моделей
• Оцінюватимете inference cost після fine-tuning та його вплив на продакшн

Production LLM Inference Systems

• Орієнтуватиметеся в inference-рушіях vLLM, Triton і TGI та обиратимете їх під продакшн-сценарії
• Використовуватимете KV cache для зменшення затримок і вартості інференсу
• Налаштовуватимете dynamic batching для ефективної обробки конкурентних запитів
• Реалізовуватимете token streaming для швидкого time-to-first-token
• Плануватимете latency budget і балансуватимете швидкість, вартість та якість відповідей

LLM Evaluation, Safety & Guardrails

• Виявлятимете галюцинації моделей та зменшуватимете їхній вплив у продакшені
• Захищатимете системи від prompt injection і зловмисних інструкцій
• Детектуватимете і маскуватимете PII для відповідності вимогам безпеки
• Оцінюватимете faithfulness і groundedness відповідей відносно джерел
• Будуватимете LLM eval pipelines для регулярної перевірки якості, безпеки та стабільності моделей

System Design for AI Products + Demo Day

• Орієнтуватиметеся в AI-native архітектурних патернах і застосовуватимете їх у продакшн-системах
• Проєктуватимете AI gateway для маршрутизації запитів, політик доступу та контролю якості
• Розділятимете систему на retrieval, reasoning і memory, щоб керувати складністю і масштабуванням
• Налаштовуватимете failover, fallbacks і circuit breakers для стабільної роботи під інцидентами та піками
• Презентуєте демо фінальних завдань і аргументуєте архітектурні рішення та trade-offs

Вимоги для старту

Щоб комфортно навчатися на курсі, вам потрібно знати Python або іншу мову програмування на рівні написання робочого коду. Мати практичний досвід роботи з Git.

Особливості курсу

• Допомога ментора
• Практика
• Домашні завдання
• Курсовий проєкт
• Сертифікат про проходження курсу

Викладачі курсу

Андрій Білоус - Senior AI Engineer at DataArt

Опануйте повний стек інструментів і скілів дата-саєнтиста, а також навчіться будувати моделі прогнозування

Програма курсу

Введення в Data Science

• Зрозумієте, що таке Data Science, а також роль і результати роботи дата-саєнтистів
• Розберетесь у відмінностях між Data Scientist, Data Analyst і Data Engineer
• Зрозумієте, чого навчитеся на цьому курсі

Введення в Python: синтаксис, змінні, операції

• Розберете базові поняття Python: від синтаксису - до логічних операцій
• Зрозумієте переваги Python та Jupyter Notebook у частині інтерактивності й певної незалежності комірок між собою
• Зможете працювати із записниками Python (Jupyter або Google Colab) і виконувати найпростіші обчислення

Введення в Python: типи даних, колекції, умовні конструкції

• Навчитеся працювати з різними структурами даних у Python
• Зможете написати прості програми з умовами
• Навчитеся зберігати й обробляти групи даних (списки, словники тощо)

Введення в Python: цикли, модулі, бібліотеки

• Опануєте основи використання функцій в Python
• Навчитеся писати програми з циклами та функціями
• Зрозумієте, що таке scope змінних, локальні та глобальні змінні
• Дізнаєтеся, що таке рекурсивні функції та в яких випадках їх використовувати
• Зможете підключати бібліотеки Python і використовувати їх у коді
• Розберете принцип повторного використання коду завдяки функціям

Підсумкове заняття з теми Python

Практичне заняття, на якому ви покращите навички написання коду на Python.

Лінійна алгебра для Data Science: вектори

• Зрозумієте базові концепти лінійної алгебри, які знадобляться для більш поглибленого розуміння принципів machine learning
• Вивчите поняття векторного простору та його значення для Data Science
• Навчитеся виконувати операції над векторами, зрозумієте, для чого вони потрібні та як застосовуються

Лінійна алгебра для Data Science: матриці

• Зрозумієте, що таке матриці та як вони діють на вектори
• Навчитеся розв'язувати системи лінійних рівнянь у Python
• Зможете бачити зв'язок між матрицями та відображенням векторних просторів
• Опануєте основні поняття лінійної алгебри

Підсумкове заняття з лінійної алгебри

Практичне заняття, на якому ви покращите навички розв'язання алгоритмічних задач і зможете перевірити їх за допомогою функцій Python.

Теорія ймовірності й математична статистика для Data Science: випадковість та ймовірність

• Зрозумієте базові концепти теорії ймовірності й для чого потрібно поняття випадкової та елементарної події
• Дізнаєтеся, що таке випадкова величина і де вона фігурує
• Розрізнятимете види випадкових величин на практиці
• Навчитеся працювати з випадковими величинами, додавати й множити ймовірності
• Зможете обчислити ймовірності випадкових подій та застосовувати формулу Баєса

Теорія ймовірності й математична статистика для Data Science: розподіл та дисперсія

• Зрозумієте, що таке випадкова величина, і розрізнятимете дискретні та неперервні випадки на прикладах
• Зрозумієте суть математичного сподівання, дисперсії та основних типів розподілів і де вони застосовуються
• Навчитесь інтерпретувати графіки функції розподілу та щільності ймовірності, зокрема властивості нормального розподілу
• Зможете виконати симуляції розподілів у Python для моделювання випадкових процесів до збору реальних даних

Теорія ймовірності й математична статистика: статистика та гіпотези

• Навчитеся рахувати середнє, медіану, моду, середнє відхилення
• Розберете основні методи перевірки статистичних гіпотез
• Розрізнятимете помилки першого та другого роду
• Дізнаєтеся, що таке довірчий інтервал та як його шукати
• Навчитеся користуватися основними функціями пакетів scipy та statsmodels
• Будуватимете довірчі інтервали для середніх значень та перевіряти статистичні гіпотези щодо середніх величин
• Зрозумієте поглиблені поняття з теорії ймовірності, а саме математичної статистики

Підсумкове заняття. A/B-тестування

• Зрозумієте, що таке A/B-тестування та як його використовують у Data Science
• Дізнаєтеся, що таке нульова та альтернативна гіпотези
• Зможете інтерпретувати p-value та помилки I/II роду
• Навчитеся реалізувати просте A/B-тестування в Python і робити висновки з даних

Основи баз даних та SQL

• Встановите першу базу даних у межах Python та навчитеся писати найпростіші запити
• Зможете створити таблички, пов'язати їх та написати перші SELECT-запити для отримання бажаної вибірки зі створених таблиць
• Навчитеся виконувати базові операції з базами даних: з'єднувати таблиці, фільтрувати дані тощо

Розширений Python для Data Science: робота з pandas

• Навчитеся виконувати основні операції з масивами в Python
• Зрозумієте, що таке датафрейми pandas та їхню роль у Data Science
• Зможете імпортувати дані в pandas і робити з ними базові операції
• Опануєте базові перетворення значень рядків та стовпців таблиць (заповнення пустих комірок, конвертація типів, застосування функцій до значень комірок тощо)

Попереднє очищення даних

• Зрозумієте, чому важливо очищувати дані від дублікатів та аутлаєрів
• Навчитеся основ роботи з regex
• Зможете "очистити" задану таблицю та зробити її готовою для подальшої роботи (для описового аналізу даних або побудови моделі)

Описовий аналіз даних (Exploratory Data Analysis)

• Зрозумієте, що таке Exploratory Data Analysis (EDA) та його значення для задач Data Science
• Зможете зробити описовий аналіз даних для заданої таблиці
• Застосовуватимете зведені таблиці для EDA

Візуалізація за допомогою Matplotlib та Seaborn

• Розберете основні типи графіків та візуалізацій
• Зрозумієте, який саме тип візуалізації краще застосовувати залежно від задач Data Science
• Навчитеся створювати візуалізації для кращого унаочнення описового аналізу даних

Побудова дашбордів за допомогою Power BI

• Ознайомитеся з поняттям дашборду і базовими прийомами їхньої побудови
• Навчитеся створювати прості дашборди для інтерактивних візуалізацій
• Опануєте Power BI для побудови дашбордів

Підсумкове заняття з Exploratory Data Analysis

Практичне заняття, на якому ви створите Exploratory Data Analysis на основі датасету.

Основні поняття машинного навчання

• Вивчите основні поняття машинного навчання
• Розрізнятимете основні типи задач машинного навчання
• Зрозумієте, що таке Bias-Variance Tradeoff та як цей баланс визначає, чи буде модель узагальнювати закономірності й працювати добре на нових (невідомих) даних

Лінійна регресія

• Вивчите основні поняття лінійної регресії
• Опануєте основні метрики для оцінки регресійної моделі
• Розрізнятимете регуляризацію, Ridge та Lasso regression
• Навчитеся будувати лінійну регресійну модель та перевіряти моделі (оцінка залишків, значущості коефіцієнтів тощо)

Логістична регресія

• Розберете основні поняття логістичної регресії та задачі класифікації
• Опануєте основні метрики для оцінки бінарного класифікатора
• Розрізнятимете основні стратегії для роботи з незбалансованими даними
• Зрозумієте, які метрики застосовувати для оцінки класифікатора, побудованого на незбалансованих даних
• Зможете використовувати логістичну регресію для задач класифікації та проводити оцінку моделі (правильно використати та інтерпретувати метрики для оцінки моделі, інтерпретувати коефіцієнти моделі тощо)

Дерева рішень

• Зрозумієте, як будуються бінарні дерева рішень і яка відмінність між деревами для регресії та класифікації
• Розберете значення основних гіперпараметрів дерев і те, як вони впливають на модель
• Навчитеся використовувати дерева рішень для розв'язання задач регресії та класифікації

Методи ансамблювання - Bagging

• Зрозумієте, як працює метод бегінгу та чому ансамблеві моделі знижують дисперсію прогнозів
• Розберете значення гіперпараметрів випадкового лісу
• Навчитеся використовувати випадковий ліс для регресії та класифікації

Методи ансамблювання - Boosting

• Зрозумієте відмінності між бегінгом і бустингом
• Розберете основні моделі та зрозумієте, які між ними відмінності
• Навчитеся використовувати для регресії та класифікації основні моделі, побудовані на використанні дерев рішень

Основи часових рядів: компоненти, типи, проблеми

• Зрозумієте, що таке часові ряди та які їхні основні компоненти
• Вивчите основну термінологію часових рядів
• Розберете поняття ковзного середнього та експоненційного згладжування

Основи часових рядів: автокореляція, стаціонарність, прогнозування

• Навчитесь аналізувати ряд, виділяти тренд і сезонність
• Зрозумієте принципи роботи ARIMA, SARIMA та експоненційного згладжування
• Зможете будувати прогнози для часових рядів у Python та оцінювати їхню якість

Основи Explainable AI

• Розрізнятимете основні методи інтерпретації моделей
• Навчитеся користуватися пакетом SHAP і зможете пояснити основні графіки, отримані за допомогою цього пакета
• Зможете інтерпретувати результати моделі та будувати відповідні візуалізації

Задача кластеризації: метрики відстані, метод k-means

• Зрозумієте, що таке кластеризація та які метрики відстані використовуються
• Зможете застосовувати k-means для задач кластеризації
• Навчитесь оцінювати кількість кластерів методами ліктя й силуету

Задача кластеризації: DBSCAN, ієрархічна кластеризація

• Розберете алгоритми DBSCAN та ієрархічної кластеризації
• Зрозумієте відмінності між різними підходами до кластеризації
• Навчитесь оцінювати якість кластеризації різними метриками

Підсумкове заняття з Machine Learning

Практичне заняття, на якому ви навчитеся вирішувати виклики з Machine Learning.

Введення до нейромереж

• Розберете основні поняття нейромереж
• Дізнаєтеся, що відбувається "під капотом" нейромережі
• Зрозумієте, як застосовувати нейромережі для розв'язання задач регресії та класифікації
• Навчитеся будувати просту нейронну мережу за допомогою Pytorch

Сучасні архітектури нейромереж

• Розрізнятимете базові архітектури нейронних мереж (CNN, RNN, LSTM)
• Зрозумієте переваги трансформерів для задач Data Science
• Дізнаєтесь, які задачі розв'язує кожна архітектура

Основи LLM

• Ознайомитеся з основними трансформерами та великими мовними моделями (GPT, BERT, LLaMA, Falcon, Mistral, Gemini)
• Розрізнятимете й навчитеся застосовувати основні стратегії Prompt Engineering
• Опануєте бібліотеку HuggingFace Transformers та зможете завантажити готові моделі

Інструменти для роботи з LLM: LangChain та RAG

• Навчитеся працювати з LLM за допомогою бібліотек HuggingFace та LangChain і зможете створити чат-бота
• Дізнаєтесь, як інтегрувати LLM із зовнішніми даними
• Опануєте LangChain для розв'язання задач з використанням великих мовних моделей
• Зрозумієте структуру та функціонал RAG

Введення в Agentic AI

• Зрозумієте, що таке agentic AI та чим він відрізняється від простої роботи з LLM
• Розберете концепції агентів: планування, пам'ять, інструменти
• Навчитеся створювати простий агентський сценарій з LangChain або CrewAI
• Обговорите перспективи та виклики agentic AI в контексті його застосування для задач Data Science

VSCode і структура Python-проєкту для Data Science

• Зможете встановити VSCode + розширення
• Навчитеся створювати базовий DS-проєкт із правильною структурою
• Опануєте Git у VSCode
• Зможете працювати з віртуальними середовищами в Python

Основи MLOps: загальний огляд деплойменту моделей з Docker та FastAPI

• Навчитеся будувати простий CI/CD-процес для ML-моделей
• Зможете задеплоїти модель у Docker-контейнері
• Дізнаєтесь, як логувати й моніторити моделі в продакшені

Особливості курсу

• Теорія
• Інструменти для роботи
• Практика
• Кар'єра

Викладачі курсу

Василь Лавер - Senior Data Scientist at Dell Technologies

Програма готує фахівців, які будуть здатні створювати не просто програмне забезпечення (ПЗ), а розумне ПЗ - із аналітикою, машинним навчанням і автоматичним прийняттям рішень. Ви навчитесь розробляти інтелектуальні системи, інтегрувати алгоритми машинного навчання та створювати програмне забезпечення для автоматизації, аналітики та прийняття рішень.

Програма курсу

1 Курс. База ІТ

• Англійська мова
• Економіка IT-індустрії та підприємництво
• Штучний Інтелект у розробці програмного забезпечення
• Основи аналітики з Python
• Дискретна математика
• Вступ до університетських студій
• Основи вищої математики
• Професійна орієнтація в ІТ-галузі: практикум

Результат:

• Професійна орієнтація в ІТ-галузі: практикум
• +3 проєкти для портфоліо
• Кар'єрний трек: база знань
• Англійська: занурення
• Розвиток soft skills

2 Курс. Поглиблення знань

• Теорія ймовірностей та основи статистики
• Комунікації в бізнес-середовищі
• Алгоритми та структури даних
• Комп'ютерні системи та їх основи
• Основи веб-розробки (HTML, CSS, JavaScript)
• Реляційні бази даних
• Математика для машинного навчання
• Патерни проєктування
• Основи DevOps
• Кар'єрні стратегії та soft skills
• Практикум з сучасних методологій розробки програмного забезпечення

Результат:

• Практикум з сучасних методологій розробки програмного забезпечення
• +9 проєктів для портфоліо
• Підготовка до співбесід
• Перша робота в IT
• Взаємодія в команді

3 Курс. Спеціалізація

• Основи хмарних обчислень для АІ
• Комп'ютерні мережі
• Нереляційні бази даних і NoSQL-сховища
• Вступ до машинного навчання
• Швидке створення AI‑дашбордів
• Інженерія даних
• Основи MLOps
• Генеративний та агентний ШІ
• Проєктування інтелектуальних систем
• Інформаційна безпека
• Глибинне навчання для CV та NLP
• Професійна практика з інженерії штучного інтелекту

Результат:

• Професійна практика з інженерії програмного забезпечення
• Командна розробка програмного забезпечення
• Вектор подальшої кар'єри в IT

4 Курс. Дипломне Проєктування

• Етика та відповідальність штучного інтелекту
• Інженерія агентних систем штучного інтелекту
• Прикладне ML: бізнес‑кейси
• Дипломне проєктування

Результат:

• Виробнича практика
• Проєкти для портфоліо
• Англійська: міцний С1
• Впевнені hard + soft skills
• Майбутнє в IT, якого ви варті

5 кроків подачі документів

1. Зареєструватись на НМТ на сайті УЦОЯО
2. Скласти НМТ з обраних предметів
3. Зареєструвати електронний кабінет вступника
4. Подати заяву на вступ до Університету Сучасних Технологій
5. Чекати зарахування

Особливості курсу

• Сучасна навчальна програма
• Повне занурення в IT English
• Інноваційний формат освіти
• Стажування в ІТ-компаніях
• Кар'єрний супровід до омріяного оферу
• Контроль якості освіти
• Підтримка протягом усього навчання
• Можлива оплата навчання частинами

Викладачі курсу

• Богдан Коваль - Senior Software Engineer at Netflix
• Нік Білогорський - Ex-Director Security Google
• Віталій Нужний - Head of Ukraine
• Роман Прокоф'єв - Засновник Jooble
• Дмитро Лисицький - Співзасновник укр.філії GlobalLogic та стартапу Influ2
• Євген Сисоєв - Керівний партнер інвесткомпанії AVentures Capital
• Юлія Грущинська - Керівник відділу HR-партнерів в Ciklum
• Robert Potter - Co-Founder at Internet 2.0
• Костянтин Магалецький - Екс-партнер Horizon Capital
• Василь Тофан - Старший партнер Horizon Capital
• Марина Євдокименко - Президентка асоціації Women4Cyber Ukraine
• Сергій Борона - Head of Information Security at Ciklum
• Олексій Барановський - Senior Application Security Engineer at Intellias
• Олег Осадчук - Python Software Engineer at EPAM
• Олег Сінькевич - Machine Learning engineer at EngenAI
• Максим Лизогуб - ML Engineer at Everymatrix
• Володимир Голомб - Lead Data Scientist & ML Engineer at RBC Group
• Катерина Коцюбівська - Співзасновниця ГО "Агенція сталого розвитку та освітніх ініціатив"
• Антон Чорний - Agile product management lecturer / CEO of GoIT
• Юрій Кучма - Basic Algorithms Lecturer
• Андрій Білик - COO at WEBGORILLA Studio
• Олексій Репін - Frontend Developer at GoIT
• Максим Алієв-Ломач - Full Stack Engineer at AIWEB Solutions
• Руслана Ковальчук - Head of Career Center, GoIT
• Юлія Мельник - Head of Study at GoIT
• Юлія Олійник - Scrum Master & Project Manager at GoIT
• Ярослав Косиця - Frontend Developer at SoftRyzen
• Олег Андрус - Python Programming Lecturer
• Олексій Кудін - Data Scientist/ML Engineer at Upwork
• Тетяна Філімонова - Associate Professor at the Faculty of Information Technology
• Артур Гіль - Security Engineering Lead at Cossack Labs
• Ольга Караіван - SOC Engineer at Pharmbills
• Ярослав Малоокий - Cybersecurity Engineer at Kavitech
• Максим Плахтій - Засновник Karabas.com
• Едуард Рубін - Ексректор ХНУРЕ
• Вячеслав Поліновський - Кандидат технічних наук
• Владислава Магалецька - Головна консультантка Президента Enterra Solutions
• Прокопенко Юрій - Директор з інформаційної безпеки Банку Кредит Дніпро (BCD)

На курсі ви навчитеся створювати, налаштовувати та вдосконалювати спеціалізовані генеративні моделі, які відповідають вашим потребам, виявляти й усувати загрози, пов’язані з використанням GenAI, оцінювати якість згенерованих даних і налаштовувати гіперпараметри для коректної роботи. Окрім того, розробите власну генеративну модель для створення тексту та додасте її до портфоліо.

Програма курсу

Знайомство з професією Generative AI Developer

• Зрозумієте основні концепції та значення генеративного ШІ в сучасному світі
• Дізнаєтеся варіанти застосування генеративного ШІ в різних галузях
• Знатимете ролі та обов’язки розробника генеративного ШІ та інструментів, які він використовує
• Навчитеся визначати й пропонувати рішення з використанням генеративного ШІ в реальних сценаріях

Структура та функціонування нейронних мереж

• Зрозумієте структури й типи нейронних мереж
• Навчитеся реалізовувати базові нейронні мережі за допомогою популярних фреймворків

Дані та підготовка моделі: препроцесинг, метрики, оцінка

• Опануєте обробку даних для моделювання
• Навчитеся використовувати метрики для оцінювання ефективності моделі

Претрейнінг, файнтюнінг і трансфер-лернінг

• Розберете процеси перенавчання моделей
• Навчитеся оптимізувати результати за допомогою трансферного навчання

Розширені архітектури нейромереж

• Розберете розширені архітектури нейромереж: CNN, RNN, LSTM, трансформери
• Навчитеся працювати з різними типами даних: зображеннями, текстами, послідовностями

Вступ до Generative AI: LLM, TTS, Image Gen

• Зрозумієте, як влаштовані сучасні генеративні моделі:
  • Large Language Models (LLMs)
  • Text-to-Speech (TTS)
  • Image Generation
• Дізнаєтеся про принципи генерації тексту, голосу, зображень

Практичне застосування GenAI: ChatGPT, Copilot, Elevenlabs

• Проаналізуєте приклади застосування Generative AI у реальних продуктах
• Навчитеся обирати оптимальні рішення для бізнес-завдань

Основи Prompt Engineering

• Опануєте базові принципи побудови запитів для LLMs
• Навчитеся формулювати промпти для отримання кращих результатів

Просунуті технології Prompt Engineering: галюцинації, ін'єкції, температури

• Дізнаєтеся, як керувати поведінкою моделей через налаштування запитів
• Розберете стратегії боротьби з галюцинаціями та безпекові аспекти промптингу

RAG: бази даних, ембединги, вибір оптимального підходу

• Опануєте Retrieval-Augmented Generation (RAG)
• Навчитеся інтегрувати бази знань у LLM

Автоматизація AI-процесів: Langchain, Autogpt, AI-агенти

• Дізнаєтеся про архітектуру AI-агентів і платформи автоматизації
• Навчитеся будувати власних агентів на основі LangChain та AutoGPT

Розробка AI-рішення: чат-бот від ідеї до інтеграції

• Розробите концепцію та архітектуру власного чат-бота на базі Generative AI
• Навчитеся інтегрувати рішення в реальний продукт

TTS/STT: голосові технології в AI

• Зрозумієте принципи перетворення тексту на мову та навпаки
• Навчитеся створювати голосові інтерфейси

Voice Cloning: як працює клонування голосу

• Дізнаєтеся, як створюють цифрові копії голосу
• Навчитеся працювати з технологіями клонування аудіо

Етика та відповідальність в AI

• Розглянете етичні питання використання Generative AI
• Навчитеся виявляти ризики та створювати відповідальні рішення

AI у бізнесі: автоматизація, маркетинг, аналітика

• Дізнаєтеся, як застосовувати GenAI для автоматизації та оптимізації бізнес-процесів
• Розберете реальні кейси в маркетингу та аналітиці

Тренди та майбутнє GenAI: Gpt-40, AGI, Автономні агенти

• Дізнаєтеся про майбутнє розвитку Generative AI
• Розглянете вплив автономних агентів та AGI на технологічний ландшафт

Презентація підсумкового проєкту

• Побудуєте модель генеративного АІ, яка зможе генерувати реалістичний текст на основі вхідних даних
• Презентуєте власну АІ-модель
• Отримаєте професійний фідбек та рекомендації для розвитку

Особливості курсу

• Теорія + практика
• Підтримка ментора
• Сертифікат про проходження курсу
• Проєкт в портфоліо
• Курсовий проєкт

Викладачі курсу

• Данило Нартов - GenAI Engineer at UniData Lab
• Юрій Хома - Co-founder & CEO UniData Lab

Ви навчитеся проводити статистичний аналіз даних за допомогою Python та розвинете математичне мислення для розв'язання реальних завдань Data Science

Програма курсу

Python для аналізу даних: Part 1

• Запускаєте код у Jupyter Notebook
• Проводите базові операції над числами та простими структурами даних
• Застосовуєте цикли for та while
• Розумієте, як поєднання "математика + Python" допоможе вам у роботі

Python для аналізу даних: Part 2

• Під'єднуєте бібліотеки Python
• Оперуєте даними за допомогою бібліотек NumPy та Pandas
• Візуалізуєте дані та інтерпретуєте результати за допомогою бібліотек Matplotlib та Seaborn

Дескриптивна статистика

• Застосовуєте моду, медіану, середнє значення та середньоквадратичне відхилення для аналізу даних
• Візуалізуєте результати аналізу та описуєте дані
• Використовуєте бібліотеки Matplotlib, Seaborn та Plotly

Теорія множин

• Знаєте, що таке множини та навіщо вони потрібні
• Використовуєте матриці та вектори для аналізу даних за допомогою NumPy
• Застосовуєте операції над множинами в роботі з даними
• Вмієте читати математичні позначення інтегрального та диференціального числення
• Використовуєте діаграми Венна для аналізу проблем

Теорія ймовірності

• Знаєте, що таке ймовірність та умовна ймовірність
• Виконуєте прості завдання на ймовірність

Випадкові величини та розподіли

• Застосовуєте теорему Баєса в щоденному житті під час ухвалення рішень
• Знаєте, що таке розподіл та як він пов’язаний з імовірністю
• Розумієте, що таке математичне очікування та дисперсія
• Вмієте аналізувати проблеми та завдання в робочому контексті
• Описуєте завдання за допомогою математичного очікування, дисперсії та коефіцієнта ексцесу

Залежність між випадковими величинами

• Розумієте різницю між кореляцією та причинністю
• Вмієте аналізувати та використовувати в роботі діаграми розсіювання для аналізу кореляції
• Знаєте, що таке математичне очікування, дисперсія, коваріація та кореляція

Основні розподіли

• Знаєте основні розподіли, вмієте їх застосовувати
• Визначаєте, який розподіл описує вашу проблему
• Використовуєте бібліотеку stats

Дані. Статистика. Вибірка

• Знаєте, що таке статистика та які проблеми вона розвʼязує
• Вивчили методи вибірки
• Плануєте та виконуєте збірку даних

Точкова оцінка

• Розумієте, що таке точкова оцінка
• Знаєте, як працює метод максимальної вірогідності
• Використовуєте прості статистики для оцінювання пропорцій та середніх значень

Інтервальна оцінка

• Знаєте, що таке довірчий інтервал
• Інтерпретуєте довірчий інтервал
• Будуєте довірчі інтервали для простих проблем та розумієте, у яких випадках вони не працюють

Перевірка статистичних гіпотез

• Знаєте, що таке P-значення та як його інтерпретувати
• Розбираєтесь у типах помилок
• Формулюєте статистичні гіпотези
• Перевіряєте прості статистичні гіпотези різними методами

Аналіз якісних даних

• Аналізуєте якісні дані
• Будуєте та аналізуєте таблиці сполученості
• Перевіряєте адекватність моделі за допомогою chi-square та бібліотеки stats

Статистика на практиці

• Розпізнаєте можливу помилку в аналізі та коригуєте її
• Проводите поправку під час перевірки множин гіпотез

Регресійний аналіз

• Формулюєте проблему для лінійної регресії
• Використовуєте scikit-learn для регресійного аналізу даних
• Перевіряєте результат регресійного аналізу на адекватність
• Регулюєте свою модель різними методами в разі перенавчання

Логістична регресія. Вступ до машинного навчання

• Знаєте, що таке статистичне навчання
• Розв'язуєте проблеми класифікації за допомогою логістичної регресії
• Застосовуєте перехресну перевірку
• Використовуєте scikit-learn для класифікації даних за допомогою логістичної регресії та перехресної перевірки
• Вмієте робити перехресну перевірку вручну

Заключне заняття. Висновки

• Знаєте, як братися за розв'язання проблем
• Розумієте, як зменшити ймовірність помилок

Презентація курсового проєкту

Презентуєте свою роботу колегам.

Особливості курсу

• Сильний контент
• Інструменти для роботи
• Практика
• Кар'єра
• Аналітична практика
• Розробка проєкту
• Апгрейд скілів

Викладачі курсу

Наталія Кеес - Data Scientist at Airbus