Курси Data Science та Machine learning

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)

Курс навчить розв'язувати основні задачі Data Science за допомогою поглибленої роботи з Python та його бібліотеками. В результаті ви зможете будувати просунуті візуалізації, знаходити взаємозв'язки в даних, робити прогнози та навчати моделі.

Програма курсу

Задачі Data Science. Interactive Python і знайомство з NumPy

• З'ясуєте, чим машинне навчання відрізняється від класичного програмування
• Зрозумієте, як формулюється задача машинного навчання
• Розберете процес роботи над Data Science задачами
• Навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy
• Ознайомитеся з перевагами бібліотеки NumPy для роботи з даними

NumPy. Лінійна алгебра і статистика

• Навчитеся використовувати функції лінійної алгебри й статистики в NumPy
• Зможете вводити й виводити numpy-матриці та масиви різної величини

Знайомство з Pandas

• Навчитеся створювати, імпортувати й експортувати табличні дані в Pandas Dataframe
• Зможете маніпулювати табличними даними (створення нових колонок, агрегації)
• З'ясуєте, як швидко і зручно працювати з табличними даними за допомогою Pandas

Візуалізація даних

• Навчитеся будувати базові візуалізації в Python за допомогою matplotlib і seaborn
• Розберете три способи візуалізації даних з Pandas Dataframe
• Зможете побудувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
• Опануєте побудову базових інтерактивних візуалізацій

Exploratory Data Analysis (EDA) та очистка даних

• Зрозумієте мету й етапи EDA
• Навчитеся досліджувати структуру будь-якого набору даних
• Зможете виявляти пропущені значення, дублікати й очищувати дані
• Знатимете кілька технік заповнення пропусків та зрозумієте, коли яку використовувати

Задача прогнозування. Лінійна регресія. Градієнтний спуск

• Зрозумієте, як працює лінійна регресія
• Дізнаєтесь, як працює алгоритм градієнтного спуску
• Навчитеся тренувати модель лінійної регресії з використанням бібліотеки sklearn
• Розберетесь, як оцінити якість моделі лінійної регресії

Інші типи регресій

• Навчитеся будувати багатовимірну лінійну регресію
• Дізнаєтесь, як інтерпретувати коефіцієнти лінійної регресії

Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів

• Дізнаєтеся, навіщо розбивати вибірку на train/validation/test-вибірки
• Зрозумієте, в чому відмінність validation- і test-вибірок
• Дізнаєтеся, що таке гіперпараметри моделі та в чому їхня відмінність від параметрів
• Ознайомитеся з методами підбору гіперпараметрів і навчитеся викликати їх у scikit-learn
• Дізнаєтеся, що таке перехресна валідація та як використовувати її в sklearn
• Зрозумієте, що таке overfit i underfit (і чому це проблема)
• Навчитеся застосовувати регуляризацію в моделях регресії

Задача класифікації. Логістична регресія

• Дізнаєтесь, як навчати модель логістичної регресії для класифікації даних і оцінювати її якість
• Отримаєте алгоритм дій у випадку мультикласової класифікації та зрозумієте, як оцінити якість таких моделей

Модель "дерева рішень"

• Ознайомитеся з принципом роботи моделі "дерева рішень"
• Зможете навчати моделі дерев рішень для розв'язання задач регресії та класифікації

Ансамблі моделей, алгоритми бустингу

• Зрозумієте, як працюють ансамблі моделей та в чому їхні переваги
• Навчитеся будувати різні типи ансамблів моделей
• Дізнаєтесь, який спосіб ансамблювання потрібно використати у випадку high bias, а який - у випадку high variance
• Розберете відмінність адаптивного бустингу від градієнтного
• Ознайомитеся з базовим функціоналом бібліотеки xgboost

Вибір ознак. Зменшення розмірності даних

• Навчитеся зменшувати розмірність набору даних із великою кількістю ознак
• Навчитеся обирати фічі так, щоб залишити лише найбільш значущі для моделі
• Дізнаєтесь, як працюють і чим відрізняються методи зменшення розмірності SVD, PCA та LDA

Кластерний аналіз даних

• Навчитеся виявляти групи схожих екземплярів у даних за допомогою кластеризації
• Дізнаєтесь, як працюють методи кластеризації K-Means, DBSCAN та Agglomerative Clustering

Статистичний аналіз даних

• Навчитеся генерувати випадкові величини різних розподілів
• Зможете перевірити гіпотезу про нормальність розподілу
• Навчитеся порівнювати розподіл двох випадкових величин

Від історії АІ до Prompt Engineering

• Зрозумієте, як розвивався штучний інтелект і чому зараз відбувся "АІ-бум"
• Розберете різницю між класичним ML і Generative AI
• Навчитеся формулювати ефективні промпти для задач аналізу даних і Python-коду
• Зможете використовувати базові AI-інструменти для перевірки та оптимізації промптів

AI Tools for Data & Developers

• Ознайомитеся з AI-інструментами для аналітиків та Python-розробників
• Навчитеся використовувати AI для написання коду, аналізу даних і створення візуалізацій
• Зможете інтегрувати AI-асистента у власне робоче середовище (VS Code, Jupyter, GitHub)

Співбесіди й вимоги до них. Розповсюджені помилки у домашніх завданнях

• Дізнаєтесь, як підготуватися до технічної співбесіди та пройти її успішно
• Отримаєте відповіді на проблемні запитання, які виникли протягом курсу
• Отримаєте правильні відповіді на домашні завдання та дізнаєтесь, які найпоширеніші помилки роблять спеціалісти

Особливості курсу

• Заняття щопонеділка та щочетверга
• Інструменти для роботи
• Сильний контент
• Практика
• Кар'єра: розширення стеку навичок

Викладачі курсу

• Олександра Кардаш - Senior Software Engineer at Google
• Ірина Безкровна - Technical Data Lead at Xometry

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