Пройшов курс Data Science with Python від Robot Dreams, викладачка Олександра Кардаш. Курс дуже сподобався, було цікаво і корисно. Відчуваєтся, що він добре підготовлений, інформація структурована, на кожну тему зібрані додаткові матеріали. Завдання цікаві та досить об'ємні, мені важко було встигати до дедлайнів. Але допомогли "заморозки" - це чудова ідея школи, що дає можливість відсувати дедлайни на потрібну кількість днів, щоб встигнути здати завдання. Але таких "заморозок" обмежена кількість. На початок курсу потрібно володіти мовою Python на базовому рівні, математична освіта теж не буде зайвою. Щоб пройти курс успішно, треба приділяти йому досить багато часу.
В цілому, рекомендую курс тим, хто починає вивчати Data Science та Machine Learning.
Валерій Пасько, старший науковий співробітник.
Курси Data Science та Machine learning
- Data Analyst / Business Intelligence (BI)
- Data Science / Machine learning / AI
Програма курсу
Tier 1 / Базові знання ІТ (17 тижнів)
- Python Programming: Foundations and Best Practices
- Mathematics for Computer Science and Introduction to Problem-Solving Techniques
- Basic Algorithms and Data Structures
Tier 2 / Спеціалізація (56 тижнів)
- Computer Systems and Their Fundamentals
- Numerical Programming in Python
- Machine Learning: Fundamentals and Applications
- Deep Learning for Computer Vision and NLP
- Data Engineering
- Relational Databases: Concepts and Techniques
- Algorithmic Paradigms and Techniques for Problem Solving
- Visual Analytics for Big Data
- Product Analytics and Applied Statistics
Tier 3 / Поглиблені знання (21 тиждень)
- Agile Product Mangement for Software Development Teams
- Foundations of Cloud Computing
- MLOps CI/CD
- Career Strategies and Soft Skills for IT Professionals
Дипломний проєкт (8 тижнів)
- Applied Computer Science: Capstone Project
- Розробка власного стартапу в команді
- Ви проходите всі стадії до пітчингу проєкту
- Можливість отримати інвестиції
Особливості курсу
- Регулярні живі лекції та практика з викладачами
- Soft Skills
- Гнучкий графік без сесій
- Англійська для працевлаштування
- Автоперевірка коду та ШІ
- Підтримка кар'єрного консультанта
- Розробка резюме та мотиваційного листа
- Професійний профіль LinkedIn та зіркове портфоліо GitHub
- Тестові інтерв'ю
- Індивідуальні консультації та всебічна підтримка до випуску
- Студенський квиток
- Необхідність диплому бакалавра (будь-якої спеціальності) для вступу на магістратуру
Викладачі курсу
- Антон Чорний - Agile product management lecturer / CEO of GoIT
- Юрій Кучма - Basic Algorithms Lecturer
- Юлія Олійник - Agile product management lecturer Career Strategies and Soft skills for IT specialists
- Олександр Репін - HTML/CSS and JS Lecturer
- Губа Михайло - UI/UX Designer / Lecturer
- Андрій Білик - UX/UI Design Course Lecturer COO, UX/UI Designer
- Максим Алієв-Ломач - React.js and JS Lecturer
- Руслана Курносова - Career Strategies and Soft skills for IT specialists
- Олег Андрус - Python Programming Lecturer
- Олексій Кудін - Mathematics Lecturer
Запрошені спікери:
- Nick Bilogorskiy - ТОП-експерт з безпеки
- Дмитро Лисицький - Співзасновник укр.філії GlobalLogic та стартапу Influ2
- Юлія Грущинська - Керівник відділу HR-партнерів в Ciklum
- Robert Potter - Co-Founder at Internet 2.0
- Костянтин Магалецький - Екс-партнер Horizon Capital
- Vasile Tofan - Senior Partner at Horizon Capital
- Віталій Нужний - Co-Founder SoftBlues
- Роман Прокоф'єв - Засновник Jooble
- Євген Сисоєв - Керівний партнер інвесткомпанії AVentures Capital
- Data Science / Machine learning / AI
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
- Python
- Data Science / Machine learning / AI
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
- Дізнаєтеся, чим машинне навчання відрізняється від класичного програмування, та ознайомитеся з видами задач машинного навчання
- Опануєте інструменти для інтерактивної роботи з Python [IPython, Jupyter Notebook та Google Colaboratory]
- Познайомитеся з бібліотекою NumPy
- Навчитеся працювати з типом даних Array: ініціалізація, характеристики, копіювання, типи даних, reshape, фільтрація, сортування
- Вивчите базові математичні функції Array
- Навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy
NumPy. Лінійна алгебра і статистика
- Отримаєте коротке введення до лінійної алгебри та розберете на прикладах, як ці математичні функції працюють у бібліотеці NumPy
- Навчитеся використовувати математичні та статистичні функції в NumPy
- Навчитеся вводити та виводити NumPy-матриці та масиви різної величини
Знайомство з Pandas
- Дізнаєтеся, навіщо потрібна бібліотека Pandas і що вона дозволяє робити з даними
- Ознайомитеся зі структурами даних у Pandas (Series та Dataframe) і навчитеся проводити базові операції над ними
- Навчитеся створювати, імпортувати та експортувати табличні дані в Pandas Dataframe
- Навчитеся маніпулювати табличними даними
- Дізнаєтесь, як швидко та зручно працювати з табличними даними за допомогою Pandas
Візуалізація даних
- Ознайомитеся з бібліотекою Matplotlib
- Навчитеся будувати базові візуалізації в Python за допомогою Matplotlib
- Дізнаєтеся про три способи візуалізувати дані в Pandas Data Frame
- Навчитеся будувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
- Навчитеся будувати базові інтерактивні візуалізації
Exploratory Data Analysis (EDA) та очистка даних
- Дізнаєтеся, що таке Exploratory Data Analysis (EDA) та його основні компоненти
- Навчитеся швидко розуміти структуру набору даних будь-якого розміру
- Дізнаєтеся, що робити з пропущеними даними та дублікатами
- Навчитеся проводити EDA за допомогою Pandas, SweetViz, Pandas Profiling
Пошук та видалення пропущених значень
- Дізнаєтеся, що таке пропущені значення та чому їх треба опрацьовувати
- Ознайомитеся з типами пропущених значень (випадкові, наслідки системної помилки тощо)
- Навчитеся виявляти пропущені значення у вибірці даних
- Ознайомитеся з різними способами заповнення пропущених значень і навчитеся використовувати кожен із них
Задача прогнозування. Лінійна регресія. Градієнтний спуск
- Розберете модель простої лінійної регресії та її математичну основу
- Ознайомитеся з методом найменших квадратів і методом градієнтного спуску
- Навчитеся тренувати модель лінійної регресії за допомогою бібліотеки scikit-learn
- Дізнаєтесь, як оцінювати якість моделі лінійної регресії, та навчитеся працювати з метриками MSE і RMSE
Інші типи регресій
- Розберете модель багатовимірної лінійної регресії та навчитеся будувати її за допомогою scikit-learn
- Навчитеся інтерпретувати коефіцієнти лінійної регресії
- Розберете модель поліноміальної регресії
- Дізнаєтесь, як оцінювати якість моделі за допомогою метрик MAE, MAPE, R-squared
- Розберете моделі гребінцевої регресії, регресії за методом LASSO та регресії "еластична мережа"
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 моделлю "дерева рішень" і дізнаєтеся, в чому її відмінність від лінійних моделей
- Навчитеся будувати модель "дерева рішень" у scikit-learn
Ансамблі моделей
- Зрозумієте, як працюють ансамблі моделей і в чому їхні переваги
- Розберете базові (Max Voting, Averaging, Weighted Averaging) та просунуті (Stacking, Bagging, Boosting) техніки побудови ансамблів
- Навчитеся будувати різні типи ансамблів моделей
- Дізнаєтеся, який спосіб ансамблювання потрібно використати у випадку high bias, а який - у випадку high variance
Алгоритми бустингу: адаптивний та градієнтний бустинг. Бібліотеки XGBoost
- Вивчите принципи роботи адаптивного і градієнтного бустингів
- Ознайомитеся з функціями бібліотеки XGBoost, розберете її особливості та переваги
Кластерний аналіз даних
- Розберете модель кластеризації як приклад задачі навчання без учителя
- Розберете моделі кластеризації K-Means, DBSCAN, Agglomerative Clustering, а також їхні особливості побудови та принципи роботи на практиці
- Навчитеся виявляти групи схожих екземплярів даних за допомогою кластеризації
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
Статистичний аналіз даних
- Ознайомитеся з бібліотекою SciPy
- Навчитеся генерувати випадкові величини різних імовірнісних розподілів, проводити тести нормальності та порівнювати розподіли двох випадкових величин
- Вивчите основи перевірки статистичних гіпотез: помилки I та II роду, p-value
- Дізнаєтесь, як проводити А/В-тестування та перевіряти гіпотези
Співбесіди й вимоги до них. Розповсюджені помилки у домашніх завданнях
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
- Data Science / Machine learning / AI
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
Більше інформації- Python
- Data Science / Machine learning / AI
Навчання Python для початківців. Ти навчишся створювати "начинку" програм і зможеш працювати Python зі знаннями data Science and machine Learning.
Програма курсу
Python Core
- Вступ до Python
- Контроль потоку та функції
- Робота з датою, часом та розширена робота з рядками
- Робота з файлами та модульна система
- Функціональне програмування та вбудовані модулі Python
- Основи роботи з класами
- Розширене Об'єктно-орієнтоване програмування в Python
- Серіалізація та копіювання об'єктів у Python
Data Science and Machine Learning
- Development. Poetry. Docker
- Database. SQL, MongoDB
- WebScraping
- Знайомство з Data Science програмування
- EDA та основи статистики
- Класичне машинне навчання
- Задача класифікації й оцінка роботи моделі
- Інші алгоритми навчання з учителем
- Навчання без учителя
- Рекомендаційні системи
- Нейромережі та глибоке навчання
- Підбір гіперпараметрів НМ
- Згорткові нейронні мережі
- Моделі дослідження числових рядів
- Класичні приклади нейромереж та основи NLP
- Dash-інтерактивні вебзастосунки
Soft Skills
- Філософія Agile
- Методологія Scrum
- Командна праця
- Тайм менеджмент
- Робота з EnglishDom Words
- Заняття з працевлаштування
- Складання грамотного резюме
- Створення сторінки на LinkedIn
- Написання мотиваційного листа
- Майданчики для пошуку роботи
- Підготовка до HR-інтерв'ю
- Підготовка до технічного інтерв'ю
- Комунікативні навички
Career skills
- Створення резюме
- Оформлення профілів Linkedin та Djinni
- Підготовка до HR та технічної співбесіди
- Рекомендація студентів на вакансії партнерів
Особливості курсу
- Кабінет my.goit
- Прямі ефіри
- Спілкування в чаті
- Круті ментори
- Підготовка до співбесід
Викладачі курсу
- Юрій Кучма - Senior Backend Developer і автор курсу
- Олексій Кудін - Data Scientist/ML Engineer, доцент у ЗНУ
- Ярослав Ісаєнков - Data Science Tech Lead and Kaggle Grandmaster
- Іван Чернега - Senior Data Scientist at Capgemini Engineering
- Ігор Градовий - Data Scientist at EVO
- Data Analyst / Business Intelligence (BI)
- Data Science / Machine learning / AI
За 14 онлайн-занять навчитеся працювати з класичними моделями, як-от ARIMA та SARIMA, а також із сучасними нейронними мережами, зокрема з LSTM, для розв’язання складних бізнес-завдань. Крім цього, опануєте техніки кросвалідації, обробки даних та створення ансамблевих моделей — щоб підвищити точність прогнозів та автоматизувати процеси в компаніях.
Програма курсу
Знайомство з машинним навчанням
- Дізнаєтеся, що таке машинне навчання
- Навчитеся будувати моделі лінійної регресії
- З’ясуєте, чому часові ряди виділяють як клас
Дерева та кросвалідація
- Зрозумієте, як будують дерево
- Розберетеся в метриках
- Дізнаєтесь, як правильно оцінити моделі
Ансамблі та валідація моделей для часових рядів
- Навчитеся генерувати ознаки (Feature Engineering) для часових рядів
- Зрозумієте, чому ансамблі потужніші за звичайні моделі
- Дізнаєтесь, як робити валідацію на часових рядах
Обробка, декомпозиція та візуалізація
- Розберете, з яких компонентів складаються часові ряди та як вони можуть поєднуватися
- Навчитеся робити детальні та інформативні візуалізації
- Зрозумієте, як правильно опрацьовувати часові ряди
Моделі типу ARIMA
Навчитеся будувати класичні моделі для часових рядів типу ARIMA.
Експотенційне згладжування
- Попрактикуєтеся будувати моделі експоненційного згладжування
- Розглянете їхні переваги та недоліки
Модель Prophet
Навчитеся будувати моделі Prophet.
Ієрархічні підходи в часових рядах та гібридні моделі
Навчитеся працювати з групою часових рядів та об’єднувати моделі для їхнього прогнозування між собою.
Вступ до нейромереж
- Розглянете, як будують нейромережі
- Дізнаєтесь, як їх тренують
- Зможете самостійно імплементувати просту нейромережу
Автоенкодери
- Зрозумієте архітектуру автоенкодерів
- Навчитеся самостійно будувати модель автоенкодера
- Зможете інтерпретувати результати й використовувати ці моделі для виявлення аномалій
RNN
- Зрозумієте архітектуру нейромереж
- Навчитесь будувати RNN для часових рядів
LSTM
Дізнаєтесь, які недоліки має RNN та як їхню роботу покращує LSTM.
CNN
- Розберетесь у базовій архітектурі CNN
- Дізнаєтесь, як їх можна застосувати для часових рядів
Моніторинг, аномалії та next steps
- Розглянете моніторинг та знаходження аномалій
- Дізнаєтеся, де можна ще застосувати нові знання
Особливості курсу
- 14 онлайн-занять
- Допомога ментора
- Сертифікат про проходження курсу
- Кейс у портфолоіо
- Курсовий проєкт
Викладачі курсу
Кристи Ісакова - former Data Scientist at CHECK24, Holidu and FlixBus
Більше інформації- Data Science / Machine learning / AI
Навчіться автоматизувати збір та оброблення даних завдяки Python, розробляти прогнозні моделі, використовувати інструменти моніторингу та аналізу точності, а також візуалізувати дані та створювати зрозумілі дашборди.
Програма курсу
Знайомство з викладачем та огляд курсу
- Цілі та воркфлоу курсу
- Налаштування середовища Python
- Введення у завдання проєкту та ключові дати
- Q&A-сесія
Роль Data Science, AI та ML у фінансах
- Що таке Data Science, AI та ML
- Програмні застосунки у фінансових послугах
- Важливі навички для Data Scientist або Data Engineer
- Ключова термінологія та програмне забезпечення, пов'язане з фінансовими послугами
- Ланцюг оброблення машинного навчання та воркфлоу
Практичні стратегії пошуку та очищення наборів фінансових даних
- Загальні джерела даних для Data Science та Al у фінансах
- Загальні методи збору й очищення даних та їхня реалізація на Python
- Кейс-стаді: розв'язання загальних проблем у фінансових даних
- Практичне завдання: застосування методів очищення даних за допомогою Python
Від даних до дієвих інсайтів: Exploratory Data Analysis (EDA) на Python
- Exploratory Data Analysis та його використання у фінансах
- Функціональна інженерія та її використання в Data Science
- Як візуалізація може прискорити процес EDA
- Дані часових рядів та як поводитися з ними в EDA
- Демо: реалізація на Python
Статистичне моделювання у фінансах за допомогою Python
- Вступ до статистичного моделювання та використання у фінансах
- Як робити висновки та перевіряти бізнес-гіпотези за допомогою ваших даних
- Практичне завдання: оцініть кредитоспроможність проєкту LendingClub
AI та ML у фінансах
- Вступ до машинного навчання та штучного інтелекту
- Алгоритми Al & ML
- Побудова класифікаційних моделей для оцінювання ризиків
- Оцінювання та інтерпретація моделей ML
- Збалансування точності моделі та її зрозумілості
- Поширені проблеми в моделюванні та методи їхнього розв'язання
- Демо: потік навчання та оцінювання моделі EZE
Ансамблеві методи для предикативного моделювання
- Ансамблеві моделі в машинному навчанні
- Фреймворки інтерпретації та пояснення моделей
- Вступ до налаштування гіперпараметрів
- Демо: реалізація ансамблевої моделі з налаштуванням гіперпараметрів та порівняння ефективності з базовою моделлю, побудованою на занятті №4
Вступ до глибокого навчання (DL) та нейронних мереж
- Основи глибокого навчання та нейронних мереж
- Розуміння того, як DL та нейронні мережі використовуються у фінансах
- Демо: популярні фреймворки Python для нейронних мереж
Неконтрольоване навчання у фінансах: виявлення викидів, сегментування клієнтів та подолання "прокляття розмірності"
- Виявлення відхилень: приклади використання та методи у фінансових послугах
- Приклади використання кластеризації та сегментації
- Аналіз головних компонентів для зменшення розмірності
- Демо: реалізація на Python
Моделювання часових рядів у фінансових послугах
- Дані часових рядів та їхнього використання у фінансах
- Розкладання даних часових рядів на ключові компоненти
- Методи прогнозування та сімейства моделей
- Демо: реалізація на Python
Генеративний АІ у фінансових послугах
- Вступ до генеративного Al та великих мовних моделей
- Моделі впровадження у фінансових послугах, ризики та можливості
- Демо: створення чат-бота для обслуговування користувачів
Створення застосунку на Python для виявлення шахрайства в реальному часі
- Введення у створення застосунків на Python
- Демо: створення застосунку для виявлення шахрайства
- Міркування щодо масштабованості та дизайну застосунку
Від ідеї до використання: життєвий цикл ML Ops
- Дизайн та архітектура системи ML
- Життєвий цикл та управління моделями ML Ops
- Етичні аспекти ML у фінансовій сфері
- Конфіденційність та безпека даних
- Регламент та комплаєнс
Ефективна співпраця та кращі практики в командах Data Science
- Ефективна реалізація проєктів у галузі Data Science
- Вимірювання успіху та ROI
- Кращі практики кодування та розробки програмного забезпечення
- Ефективна співпраця
- Розвиток хмарних технологій та тенденції в галузі Data Science
- Практичне завдання: визначення успіху для вашої ініціативи в галузі Data Science
Стратегічне планування кар'єри для Data Scientists у фінансах
- Кар'єрні шляхи в Data Science у фінансах
- Ключові тенденції та майбутнє AI у фінансах
- Підготовка резюме та проходження співбесіди
- Підсумки курсу
Особливості курсу
- Власний проєкт
- Практичний досвід
- Викладач з міжнародним досвідом
- Сертифікат про проходження курсу
Викладачі курсу
Андреа Аугусто Бароні - Head of Data Science Platform at Barclays
Більше інформації- Data Science / Machine learning / AI
Курс Data Science для нетехнічних спеціалістів. Після закінчення навчання ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту.
Програма курсу
Вступна лекція. Робота з даними
- Розберемося, які існують типи даних і чому вони важливі для проєкту
- Дізнаємося, де можна брати дані, як всередині вашого проєкту, так і за його межами
- Розглянемо, які види Data Science існують
- Порівняємо позиції Data Engineer та Data Analyst і дізнаємося їхні основні відмінності, а також де закінчується їх зона відповідальності і починається робота менеджера
- Проведемо воркшоп із підготовки даних для тренування моделі на прикладі e-commerce
Написання SQL запитів
- Вивчимо основні артефакти даних: бази даних, таблиці, атрибути
- Поговоримо про Big Data і яку користь від цього можна мати
- Розглянемо, коли використовувати SQL, а коли віддати перевагу NoSQL
- Попрактикуємось в написанні базових запитів:
- Вчимося створювати вибірки даних (SELECT)
- З'єднуємо таблиці (JOIN)
- Збираємо дані (AGGREGATIONS)
Вибір правильного підходу в DS
Дізнаємося, які завдання можна вирішити за допомогою DS\ML і що потрібно для початку впровадження технології у своєму проєкті, розібравши:
- Як визначити проблему для вирішення
- Як сформувати гіпотезу зростання
- Як оцінити вплив гіпотези на продукт
- Які бізнес ресурси потрібні для початку роботи над гіпотезою
Побудова моделі
- Типова архітектуру DS\ML проєкту
- Будуємо модель власноруч, щоб зрозуміти, як створити MVP вашого Data Science проєкту
- Оцінюємо результат роботи моделі. Критерії якості моделі та підсумки роботи Machine Learning команди
- Визначаємо Machine Learning моделі для чотирьох типів завдань:
- Ціноутворення
- Класифікація відгуків
- Розпізнавання зображення
- Побудова чат-бота
Побудова Machine Learning команди всередині компанії
- Побудова Machine Learning команди і кого треба наймати для створення MVP вашого проєкту
- Зони відповідальності на етапі MVP і за повного циклу розробки. Визначимо, як впроваджувати Data Science в вашому проєкті або продукті
- Розглядаємо Agile практики з управління DS/ML проєктами і чим вони відрізняються від традиційної розробки
Data Science для розрахунку LTV
- Обговоримо поняття статистичної значущості. Робимо прогноз LTV за допомогою статистичних методів
- Зробимо аналогічний прогноз LTV за допомогою DS методів
- Проаналізуємо нюанси передбачення відтоку клієнтів (churn)
- Вчимося приймати рішення на основі прогнозів за допомогою churn моделей
- Як сегментування клієнтів разом із передбаченням LTV і відтоку клієнтів може допомогти в оптимізації бізнесу
NLP для оптимізації Support команди
- Обговоримо, як за допомогою методів обробки природної мови та active learning оптимізувати роботу відділу підтримки клієнтів
- Розберемося, як впровадити їх у себе в проєкті
- Застосуємо кілька алгоритмів, які допоможуть з визначенням тем і обробкою коментарів
- Розглянемо, коли краще використовувати алгоритми навчання без вчителя
Візуалізація даних
Основні інструменти для візуалізації:
- Excel
- Tableau
- PowerBI
- QlikView
- Pentaho
- Birst
Візуалізація даних за допомогою Power BI
- З'єднуємо джерела
- Створюємо діаграми
- Використовуємо фільтри і агрегацію
- Налаштовуємо dashboards
- Розбираємося з delivery і експортом
Впровадження NLP в компанію
- Стандартний NLP pipeline
- Поставлене бізнес завдання і процес впровадження конкретного рішення з вибором компонентів
- Розмітки даних для тренінгу, тренінг DNN, використані метрики
- Інтеграція технічного рішення з інфраструктурою бізнесу
Особливості курсу
- Курс розрахований на поглиблення навичок для Project Managers, Product Managers, Business Analysts, Business Owners
- Викладачі мають великий досвід роботи у різних компаніях
- Персональні консультації по розвитку кар'єри
- Рекомендації по покращенню резюме та портфоліо
- Допомога в пошуку релевантних вакансій
- Можливе повернення коштів після двох занять, якщо не сподобається
Викладачі курсу
- Сергій Брандіс - Co-founder AI в startup Aidrome
- Кирило Юрченко - DS Architect в GlobalLogic
- Сергій Пінігін - Director of Product в Adwiser
- Data Science / Machine learning / AI
Програма курсу
Знайомство з Computer Vision
Ознайомитеся з завданнями, які допомагає розв'язати Computer Vision. Отримаєте загальну інформацію про те, як працює зорова система. Дізнаєтесь, які є колірні простори. Встановите бібліотеки NymPy, Matplotlib та OpenCV. Навчитеся виконувати прості операції за допомогою цих бібліотек.
Піксельні операції
Дізнаєтеся, що таке операції на рівні пікселів, і навчитеся читати гістограми. Створите найпростішу програму обробки цифрових зображень - наприклад, програму балансу білого кольору.
Лінійна фільтрація
Вивчите принцип роботи згортки. Навчитеся імплементувати фільтрацію та маніпулювати зображенням, використовуючи різні типи фільтрації.
Фільтри виділення кордонів
Дізнаєтеся, у чому сенс градієнтів зображень. Навчитеся імплементувати фільтри виділення меж. Опануєте алгоритм виділення контурів та фільтри в Canny.
Кодування та компресія зображень
Вивчите різницю між форматами зображень [raw, png, jpeg]. Розберете різницю між форматами H264 та H265. Дізнаєтеся, як працює стиснення із втратами, і навчитеся працювати з зображеннями в перетвореній формі. Спробуєте покращити якість зображення за допомогою інтелектуального квантування.
Image features [візуальні ознаки]
Дізнаєтеся, що таке візуальні ознаки, та ознайомитеся з типовими завданнями, які можна розв’язати з їхньою допомогою. Навчитеся виділяти кути за допомогою детектора Харріса. Вивчите алгоритми виявлення та опису ознак. Навчитеся застосовувати масштабно-інваріантну трансформацію ознак (SIFT).
Image matching [підстроювання зображень]
Ознайомитеся з завданнями, які розв'язує image matching. Вивчите принцип афінного перетворення та однорідних координат. Навчитеся використовувати гомографію для зображень. Розробите ректифікатор фотографій документів.
Machine Learning [машинне навчання]
Ознайомитеся з основними принципами роботи з моделями даних. Розберете різницю між класичною обробкою даних та машинним навчанням. Навчитеся будувати прості моделі з нуля та проводити їхню оптимізацію. Визначите різницю між machine learning та deep learning.
Детекція облич
Визначите, чим візуальні ознаки для детекції осіб відрізняються від інших об'єктів. Ознайомитеся з методом детекції Віоли-Джонса та методом бустингу. Навчитеся працювати з зображеннями, які містять обличчя, та здійснювати детекцію за допомогою OpenCV.
Трекінг
Вивчите основи роботи трекінгу та принципи роботи з цифровим відео. Розберете різницю між трекінгом та детекцією на практиці, реалізовуючи реальне робоче завдання.
Q&A-сесія
Нейронні мережі: part 1
Вивчите принципи роботи нейронних мереж. Отримаєте overview відкритих бібліотек TensorFlow та Keras. Навчитеся будувати й тренувати прості нейронні мережі. Спробуєте покращити модель нейронної мережі для класичної проблеми house pricing.
Нейронні мережі: part 2
Дізнаєтеся, як прискорити тренування нейронних мереж у кілька разів за допомогою GPU, та ознайомитеся з іншими перевагами графічного процесора. Ознайомитеся з хмарним сервісом Google Colaboratory та навчитеся будувати й тренувати моделі в ньому. Дізнаєтесь, навіщо проводити інспекцію баз даних.
Згорткові нейронні мережі: part 1
Вивчите принципи роботи згорткових нейронних мереж. Вивчите операції згортки та пулінгу. Навчитеся будувати й тренувати згорткові нейронні мережі.
Згорткові нейронні мережі: part 2
Ознайомитеся з проблемою перенавчання [overfitting]. Навчитеся розпізнавати проблеми в процесі навчання та застосовувати data augmentation у процесі тренування.
Згорткові нейронні мережі: part 3
Навчитеся розв'язувати задачу сегментації цифрових зображень. Вивчите принцип bottleneck. Побудуєте простий автоматичний енкодер для очищення зображень від шуму.
Воркшоп з нейронних мереж
Детекція об'єктів
Вивчите концепт детекції та bounding box. Навчитеся розпізнавати об'єкти в режимі реального часу, використовуючи принцип YOLO [You Only Look Once]. Ознайомитеся з алгоритмом NMS [Non-Maximum Suppression] та іншими архітектурами мереж для розпізнавання об'єктів [SSD, TinyYOLO, SqueezeDet]. Застосуєте YOLO, щоби розпізнати об'єкти на власному відео.
Згорткові нейронні мережі: що далі?
Ознайомитеся з популярними моделями згорткових нейронних мереж. Вивчите процес fine tuning та навчитеся працювати з model zoo. Дізнаєтеся, які проблеми виникають під час тренування згорткових нейронних мереж. Отримаєте рецепт успішного розв'язання проблем із використанням нейронних мереж.
Q&A-сесія
Презентація курсового проєкту
Особливості курсу
- Сильний контент
- Широкий набір інструментів
- Практика
- Кар'єра
Викладачі курсу
Ян Колода - Senior CV & ML Engineer at Gini GmbH
Більше інформації- Data Science / Machine learning / AI
Опануйте повний стек інструментів і скілів дата-саєнтиста, а також навчіться будувати моделі прогнозування
Програма курсу
Вступ до професії Data Scientist і воркфлоу роботи на курсу
Теми:
- Що таке дані та для чого їх збирати
- Чим відрізняються професії Data Analyst, BI Analyst, Data Engineer, Software Engineer, Data Scientist i Machine Learning Engineer
- Стек навичок Data Scientist
Результати:
- Дізнаєтеся, що таке дані і які можливості є в бізнесу, якщо він правильно збирає та обробляє свої дані
- Зрозумієте різницю між професіями Data Scientist, Data Analyst, BI Analyst і Data Engineer. Розберете зони відповідальності кожної
- Дізнаєтеся про види та типи даних
- Розберете ключові задачі Data Scientist у компанії
- Розберете стек навичок Data Scientist, виокремите власні сильні та слабкі сторони для цієї професії
Інструменти Data Scientist
Теми:
- Python та Jupyter Notebook
- Принципи ООП та їхнє застосування в програмуванні на Python
- Базові концепти Python
- Функціональне програмування
- Особливості програмування на Python
- Основні бібліотеки та фреймворки Python
- Бібліотеки Python для Data Science
Результати:
- Знайомі з концептом і принципами програмування на Python
- Знаєте базовий синтаксис Python
- Вмієте користуватися Jupyter Notebook
- Знайомі з принципами ООП та застосовуєте їх на практиці
- Розумієте різницю між обʼєктно-орієнтованим і функціональним програмуванням
- Вмієте використовувати код на Python для пошуку та обробки даних
- Розумієте, для чого потрібні бібліотеки Python, та знайомі з основними з них
- Знаєте, які бібліотеки Python використовують у Data Science, та вмієте працювати з ними
Базова математика для Data Science
Теми:
- Основні концепти лінійної алгебри
- Поняття вектора та операції з векторами
- Поняття матриці та операції над матрицями
- Векторний, нормативний та математичний простір
- Події та ймовірність
- Розподіл імовірностей
- Дисперсія
- Види розподілів
Результати:
- Актуалізували забуті знання з лінійної алгебри та статистики
- Знайомі з поняттям просторів у математиці та розумієте, для чого вони потрібні
- Знайомі з концептами теорії ймовірностей
- Знаєте формули розрахунку ймовірностей та вмієте ними користуватися
- Розумієте, що таке розподіл, дисперсія, кореляція, коваріація
- Вмієте описувати задачі математичною мовою
- Застосовуєте математичні формули для розвʼязання задач Data Science
Бази даних для Data Science
Теми:
- Що таке дані та як їх зберігати
- SQL для роботи з даними
Результати:
- Розумієте, що таке дані та як правильно їх зберігати
- Розбираєтесь у видах баз даних
- Розумієте різницю між DB та DBMS
- Вмієте писати SQL-запити та користуватися операторами INSERT, DELETE, SELECT, WHERE та JOIN
- Знаєте, як "витягнути" потрібні дані з бази
Методи машинного навчання
Теми:
- Регресія
- Задачі класифікації
- Метод опорних векторів
- Дерева ухвалення рішень
- Задачі кластеризації
- Методи прогнозування
- Методи оцінки якості прогнозів
- Поняття нейронних мереж
- Бібліотеки та фреймворки для роботи з нейромережами
- Метрики оцінки якості моделей Machine Learning
Результати:
- Вмієте будувати лінійну та поліноміальну регресію
- Вмієте розв'язувати задачі класифікації та кластеризації
- Знаєте, як провести базовий Time Series Analysis
- Вмієте будувати прогнози на основі отриманих даних
- Вмієте працювати з пакетами PyTorch, TensorFlow, Keras для побудови моделей Machine Learning
- Знайомі з метриками оцінки якості моделей
- Розумієте, який алгоритм працює "під капотом" нейромереж
- Побудували першу нейронну мережу вручну
- Вмієте користуватися нейромережами для прогнозування
Аналіз даних та прогнозування
Теми:
- Зчитування та обробка даних перед побудовою моделі
- EDA, Feature Engineering, Feature Importance
Результати:
- Зчитуєте дані із CSV, JSON, XLSX, SQLite
- Знаєте, як працювати з Missing Data
- Будуєте зрозумілі візуалізації для даних
- Вмієте знаходити закономірності в даних
- Розумієте, чому так важливо правильно зібрати та обробити дані перед побудовою моделей прогнозування і чому не можна просто взяти всі дані та закинути в модель
- Знайомі з поняттям Feature та знаєте, що це таке в кожній моделі
- Розумієте, навіщо використовувати Feature Importance
Обробка Big Data та розвиток майндсету дата-саєнтиста
Теми:
- Обробка великих даних: парадигми, паралельне обчислення, розподілені системи
- Компоненти Spark: Core, SQL, MlLib, Streaming, GraphX
- Основи Spark: RDD, transformations та actions, lazy evaluations
- Популярні API для роботи зі Spark
- Базові операції в Databricks Notebook, синтаксис PySpark, візуалізація даних
- Що таке майндсет дата-саєнтиста
- Формулювання гіпотез та методи їх перевірки
- Розуміння потреб бізнесу, поєднання вимог і математичних побажань
- Вибір підходу та моделі, оцінка моделей
- Поділ задачі від ПО на таски, планування
- Презентація результатів та кінцевого рішення
- Побудова власного профілю Data Scientist
Результати:
- Розумієте, що таке великі дані та знаєте принципи їх обробки
- Знаєте основи технології Spark та типові ситуації для її застосування
- Володієте базовим синтаксисом PySpark для операцій в Spark
- Працюєте з даними в Databricks Notebooks
- Застосовуєте майндсет дата-саєнтиста на практиці
Презентація фінального проєкту
Результати:
- Отримаєте Tabular Data і застосуєте всі скіли, опановані протягом курсу, на практиці
- Опрацюєте дані, побудуєте візуалізації, зберете пайплайн, побудуєте та натренуєте модель для прогнозування
- Представите свою модель колегам
Особливості курсу
- Теорія
- Інструменти для роботи
- Практика
- Кар'єра
Викладачі курсу
Дмитро Безущак - Data Scientist / ML Engineer
Більше інформації- Python
- Data Science / Machine learning / AI
На курсі Ви зможете вивчити основні прийоми маніпулювання та аналізу даних з використанням бібліотек Python, опанувати навички створення візуалізацій для дослідження даних та отримати концептуальне розуміння машинного навчання. Всі заняття проводяться у живому онлайні.
Програма курсу
Вступ до програмування та основи Python
- Огляд концепцій програмування
- Налаштування середовища Python (Jupyter Notebook)
- Змінні, типи даних та основні арифметичні операції
- Умовні оператори та цикли
- Функції та модулі
Робота з даними в Python
- Огляд структур даних: списки, кортежі та словники
- Індексування та вибірка підмножин даних
- Обробка файлів та зчитування даних з файлів
- Основні методи очищення та попередньої обробки даних
Маніпуляція даними з використанням Pandas
- Огляд бібліотеки Pandas
- Робота зі структурами Series та DataFrame
- Вибірка та фільтрація даних
- Робота зі втраченими даними
- Об’єднання та злиття наборів даних
- Основні операції агрегації та групування даних
Дослідження та візуалізація даних
- Описова статистика та підсумки даних
- Візуалізація даних з використанням Matplotlib та Seaborn
- Створення стовпчикових графіків, точкових графіків, гістограм
- Налаштування графіків та додавання анотацій
Статистичний аналіз з використанням Python
- Огляд статистичних концепцій
- Показники центральної тенденції та розкиду
- Перевірка гіпотез та p-значень
- Кореляційний та регресійний аналіз
- Основний аналіз дисперсії (ANOVA)
Вступ до машинного навчання
- Огляд концепцій машинного навчання
- Контрольоване та неконтрольоване навчання
- Методи оцінки моделей
Вступ до Scikit-learn
- Огляд бібліотеки Scikit-learn
- Класифікаційні алгоритми (дерева рішень, логістична регресія)
- Алгоритми регресії (наприклад, лінійна регресія)
- Навчання моделей, оцінка та прогнозування
Фінальний проєкт
- Застосування Python та технік Data Science до реального набору даних
- Дослідження, очищення та попередня обробка даних
- Основний аналіз та візуалізація
- Презентація результатів та висновків
Особливості курсу
- Живі заняття (ввечері 19:00-22:00 та на вихідних 10:00-13:00)
- Система оцінки знань
- Практика на реальних проєктах
- Підтримка ментора
- Дипломний проєкт як підсумок знань
Викладачі курсу
- Іван Гомонець - BI Tech Lead at GROWE
- Сергій Алпатов - Head of Learning and Development, Elogic Commerce
- Калашник Сергій - Python for Data Science, Senior Data Analyst at Boosters
- Єлісєєв Олександр - Website Python Scraper
- Data Science / Machine learning / AI
Програма курсу
Основи Python
Почнемо з вивчення Python - популярної мови програмування про дані та машинного навчання. Будемо вивчати базові принципи програмування, такі як змінні (типи даних, наприклад, числа, рядки, списки тощо), операції з ними (математичні операції, конкатенація тощо). Окрім того, навчимося працювати з функціями та модулями (як розбивати програму на частини для зручності), та класами (основи об'єктно-орієнтованого програмування).
Обробка даних у Python
Модуль навчить вас працювати з даними, що є основною задачею Data Science, індексувати (звертатися до окремих елементів в списках чи масивах). Також розглянемо обробку файлів (наприклад, CSV, Excel), як зчитувати дані з файлів та обробляти їх. Після цього ви зможете очищати дані від помилок, пропущених значень або непотрібних елементів.
Бібліотека Pandas
Це одна з найпопулярніших бібліотек для роботи з даними. Вона допомагає зберігати дані у табличних структурах, які називаються DataFrame. Познайомимось з методами очищення та попередньої обробки даних.
Matplotlib та Seaborn
Після обробки даних, ми перейдемо до їх візуалізації. Matplotlib - це бібліотека для створення графіків, а Seaborn - її розширення для зручнішого малювання. Візуалізація допомагає зрозуміти, що відбувається з даними.
Математика та статистичний аналіз
Математика та статистика, необхідні для роботи з даними. Ви дізнаєтесь, що таке множення матриць, вектори, середнє, медіана, дисперсія та як прогнозувати ймовірність подій. Це все важливо, тому що для побудови ефективних моделей машинного навчання потрібно розуміти ці концепції.
Введення до машинного навчання
Ми почнемо з життєвого циклу проєкту - від постановки задачі до тренування моделі. Ви дізнаєтесь, як поділити дані на тренувальний і тестовий набори (метод Train-test split, CV), як створювати pipeline - конвеєра машинного навчання.
Лінійна регресія
Лінійна регресія - це основний метод для прогнозування числових значень. Вона працює, припускаючи, що існує лінійний зв'язок між змінними (ознаками).
Логістична регресія
Логістична регресія використовується для задач класифікації. Вона дає ймовірність того, до якого класу належить об'єкт, і працює за принципом, що клас може бути "так" або "ні".
Дерево рішень (Decision Trees)
Дерево рішень розбиває дані на основі простих запитань, що дає уявлення про те, як можна класифікувати об'єкти. Ви вивчите, як використовувати дерево рішень для класифікації та регресії, а також як налаштовувати його для кращої ефективності.
K-Nearest Neighbor, KNN
KNN - алгоритм для класифікації даних, який використовує принцип, що схожі об'єкти знаходяться поруч. Тобто, для визначення, до якого класу належить новий об'єкт, алгоритм дивиться на найближчих сусідів.
Кластеризація даних
Процес поділу даних на групи, де об'єкти в кожній групі схожі між собою. Ми розглянемо K-means та GMM для кластеризації об'єктів за групами.
Метрики
Метрики дозволяють оцінювати, наскільки добре працюють моделі машинного навчання. Вивчите такі метрики, як точність (accuracy), precision (точність), recall (повнота), F1-score (комбінація точності і повноти) та AUC-ROC (криві для порівняння моделей).
Бустинг
Бустинг - це метод покращення точності моделей. Він комбінує слабкі моделі в сильну модель. Це може значно покращити результат.
Завершення розмірності та оптимізація гіперпараметрів
Ефективність моделей машинного навчання підвищується завдяки методам зменшення розмірності. Ми розглянемо методи зменшення вхідних ознак PCA, UMAP, t-SNE. Також ви дізнаєтесь, як налаштовувати параметри моделей (гіперпараметри), використовуючи методи оптимізації.
Нейронні мережі
Розділ охоплює основи Deep Learning - глибоких нейронних мереж. Ми навчимося створювати прості MLP (Multilayer Perceptrons) і розберемо їх використання в реальних задачах, таких як обробка зображень. Згодом ми познайомимось з CNN, нейромережею, призначеною для роботи з двовимірними зображеннями.
Tensorflow 2
TensorFlow - це бібліотека для створення складних моделей машинного навчання. Вона дозволяє швидко створювати та тренувати моделі, оптимізувати їх, а також зберігати та завантажувати готові моделі.
Google Colab
Google Colab - це хмарне середовище для тренування моделей, яке дозволяє вам використовувати потужні графічні процесори (GPU). Ми навчимося працювати з Colab для тренування моделей Deep Learning.
Natural Language Processing (NLP)
NLP - займається обробкою та аналізом текстових даних. Ми будемо використовувати бібліотеки NLTK і spaCy для обробки тексту: токенізації, лемматизації, виділення сутностей та багато іншого.
Особливості курсу
- Допомога ментора
- Практика
- Сертифікат про проходження курсу
Викладачі курсу
- Даніель Андерсон - Machine Learning Research Engineer
- Іван Гомонець - BI Tech Lead at GROWE
- Павло Чернега - Lead Machine Learning Engineer
- Data Science / Machine learning / AI
Розберетеся в основних поняттях та завданнях Data Science. Навчитеся використовувати в роботі сучасні методи машинного навчання. Застосовуватимете ключові концепції збору, підготовки, дослідження та візуалізації даних. Оброблятимете й аналізуватимете великі дані.
Програма курсу
Data Science and Machine Learning Fundamentals
- Вступ в Data Science і Machine Learning
- Базові поняття:
- Big Data
- Business Intelligence
- Data Mining
- Data Science
- Machine Learning
- Artificial Intelligence
- Історія розвитку Data Science, сучасні перспективи
- Хто такий Data Scientist, навички. Питання на співбесіді.
- Огляд процесу Data Science проекту
- Сценарії використання і застосування ML в сучасному світі
- Огляд успішних проектів по Big Data і Machine Learning
Data Science Process and Frameworks
- Планування і підготовка роботи
- Історичний огляд методологій ведення Data Science рішень
- Детальний огляд сучасного Data Science процесу і його етапів
- Команда і ролі фахівців в проектах Data Science
- Огляд популярних фреймворків і інструментів для Data Science рішень
- Workshop 1: Етап Business Understanding
- Основи роботи з системою контролю версій
Попередня обробка даних
- Завантаження вихідних даних для аналізу в систему (ETL)
- Data cleansing and transformation
- Data Sampling and Quantization
- Workshop 2: Підготовка даних для проекту
- Підходи та методики для візуалізації даних
- Практика: Візуалізація даних за допомогою Power BI і R
Прогнозування і класифікація
- Теоретичний огляд проблеми та основних методів
- Введення в штучні нейронні мережі для вирішення різних завдань
- Процес створення реальних програмних моделей для прогнозування і класифікації
- Оцінка точності навчених моделей, вибір кращої
- Workshop 3: Створення моделей прогнозування та класифікації
Кластеризація та рекомендаційні алгоритми
- Теоретичний огляд проблеми та основних методів
- Процес створення реальних програмних моделей для кластеризації, рекомендаційних алгоритмів
- Оцінка точності навчених моделей, вибір кращої
- Введення в обробку природної мови
- Workshop 4: Створення моделей кластеризації і рекомендаційних моделей
Імплементація моделей машинного навчання
- Часові ряди і прогнозування подій
- Імплементація моделей машинного навчання для подальшого використання
- Обговорення результатів виконання домашніх завдань
- Приклади архітектур повноцінного проекту
- Workshop 5: Імплементація моделей машинного навчання
- Підведення підсумків курсу, презентація проектів
- Рекомендовані матеріали і кроки для подальшого вивчення
Захист курсового проєкту
Особливості курсу
- Підтримка ментора
- Проєкт в портфоліо
- Практика
- Сертифікат про проходження курсу
- Data Science / Machine learning / AI
Програма курсу
Python
- Синтаксис Python
- Інтерактивні вправи
- Jupyter Notebooks
Структури даних та бібліотеки
- Списки, кортежі, словникиs
- Огляд бібліотек (NumPy, Pandas, Matplotlib)
Функції та регулярні вирази
- Робота з рядками
- Регулярні вирази
- Використання розширених функцій
Об'єктно-орієнтоване програмування
- Класи, спадкування та поліморфізм
- Проєкт на основі ООП
Збір даних та скрапінг
- Техніки веб-скрапінгу (BeautifulSoup, Scrapy)
- Формати даних (CSV, JSON, XML)
Попередня обробка даних
- Очищення, масштабування та нормалізація даних
- Створення нових ознак
Візуалізація та дослідження даних
- Інструменти візуалізації даних (Matplotlib, Seaborn, Plotly)
- Інтерактивні візуалізації
Обробка природньої мови (NLP)
- Очищення тексту
- Токенізація, стемінг та лемматизація
- Побудова NLP-процесів
Навчання з учителем
- Лінійна регресія
- Логістична регресія
- Метрики оцінки моделей
Навчання без учителя
- Техніки кластеризації (K-Means, ієрархічна кластеризація)
- Зменшення розмірності (PCA, t-SNE)
Вступ до нейронних мереж
- Основи нейронних мереж та їх компоненти
- Побудова простих моделей у TensorFlow/Keras
Вступ до генеративного ШІ
- GANs та Трансформери
- Побудова GANs та використання попередньо навчених Трансформерів
Обробка великих даних
- Вступ до Hadoop та Spark
- Обробка великих наборів даних
Після курсу ти вмітимеш
- Використовувати Python для розв'язування задач з обробки даних та моделювання
- Виконувати основні операції з векторами та матрицями, а також використовувати статистику та ймовірність для аналізу даних
- Оперувати Python-структурами даних та бібліотеками, які застосовуються в машинному навчанні (NumPy, Pandas, Matplotlib)
- Створювати функції та об'єктно-орієнтовані програми на Python для вирішення практичних задач
- Збирати дані з веб-джерел та використовувати BeautifulSoup для веб-скрапінгу
- Очищувати та обробляти дані для подальшого аналізу, використовуючи методи нормалізації та масштабування
- Візуалізувати дані за допомогою інструментів для створення графіків та інтерактивних візуалізацій
- Розуміти основи обробки природної мови (NLP) для аналізу текстових даних
- Створювати моделі машинного навчання для регресії та класифікації, а також оцінювати їх точність
- Використовувати алгоритми кластеризації та методи зниження розмірності для аналізу даних
- Будувати та навчати нейронні мережі за допомогою TensorFlow/Keras для вирішення різноманітних завдань
- Працювати з генеративними моделями та застосовувати їх у практичних сценаріях
Особливості курсу
- Допомога ментора
- Практика
- Сертифікат про проходження курсу
- Додаткові технічні е-курси
- Розмовні клуби з англійської & селф-стаді
- Короткі курси для розвитку софт навичок
- Спільнота професіоналів-однодумців
Викладачі курсу
Halyna Melnyk - Ментор SoftServe Академії
Більше інформації- Data Science / Machine learning / AI
На цьому курсі ти отримаєш конструктивні знання з моделей та методів штучного інтелекту: алгоритмів машинного навчання, нейронних мереж, комп'ютерного зору, познайомишся з оптимізацією та основами обробки природної мови, отримаєш розуміння базових підходів, що пов'язані із використанням методів штучного інтелекту, та практичний досвід роботи з бібліотеками мови Python, які забезпечують програмну реалізацію алгоритмів штучного інтелекту.
План курсу
Introduction to AI (Artificial Intelligence)
Intro and overview of AI-related topics.
Search Algorithms
- Solving Search Problems
- Depth-First Search
- Breadth-First Search
- Greedy Best-First Search
- Adversarial Search
Problems of Optimization
- Local Search
- Hill Climbing
- Simulated Annealing
- Linear Programming
- Constraint Satisfaction
Machine Learning
- Nearest-Neighbor Classification
- Perceptron Learning
- Support Vector Machines
- Regression
- Loss Functions
- Regularization
- Unsupervised Learning
- k-means Clustering
Neural Networks and their Applications
- Activation Functions
- Neural Network Structure
- Gradient Descent
- Multilayer Neural Networks
- Recurrent Neural Networks
Computer Vision in AI
Collection, processing, and analysis of digital images and videos.
Natural Language Processing
Understanding and processing of human language.
Genetic Algorithm
Solving Knapsack Problem with Genetic Algorithm.
AI Ethics/Security/Confidence
Ethics, Security, and Confidence problems in AI-related work.
Особливості курсу
- Підтримка ментора впродовж навчального процесу
- Підсилення твого CV
- Доступ до додаткових електронних курсів для навчання у власному темпі
- Онлайн-курси за рівнем англійської та Speaking Club
Викладачі курсу
- Halyna Melnyk - Ментор Softserve Академії
- Dmytro Minochkin - Ментор Softserve Академії
- Volodymyr Dudnik - Ментор Softserve Академії
- Data Science / Machine learning / AI
Курс спрямований на фахівців, які хочуть отримати компетенції для посад Data Scientist, Data Engineer, Data Analyst та Machine Learning Engineer. Курс охоплює теоретичну базу ключових областей Data Science, їх практичне втілення в програмному коді та включає практичні заняття у форматі Workshop.
Програма курсу
Методологічні та технологічні основи data science
- Методи та технології статистичного навчання (Statistical Learning)
- Вступ до статистичного навчання
- Підготовка даних для статистичного навчання
- Домашнє завдання 1. Підготовка та аналіз даних
- Навчання регресійної моделі за Big Data масивом
- Домашнє завдання 2. Поліноміальна регресія
- Фільтрація Калмана (Kalman filter)
- Домашнє завдання 3: Рекурентне згладжування
- Нелінійне згладжування – R&D результати
- Workshop 1. Регресія
- Домашнє завдання 4: Регресія
- Технології підтримки прийняття рішень (для Decision Support System (DSS))
- Теорія і практика підтримки прийняття рішень
- Багатокритеріальні методи прийняття рішень – R&D результати
- Домашнє завдання 5: Макет ERP системи багатокритеріального прийняття рішень
- Інтелектуальний аналіз даних (Data Intelligence)
- Методичні основи та технології інтелектуального аналізу даних
- Домашнє завдання 6: Реалізація процесів інтелектуального аналізу даних міні-проєкти в галузі OLAP, Data Mining, Text Mining
- Методичні основи та технології інтелектуального аналізу даних
- Машинне навчання (Machine Learning (ML))
- Методи та технології класифікації та ідентифікації
- Workshop 2. Класифікація
- Домашнє завдання 7: Реалізація методів класифікації
- Методи та технології кластеризації
- Workshop 3. Кластеризація, виявлення аномалій
- Домашнє завдання 8: Реалізація методів кластеризації
- Технології штучних нейронних мереж (Artificial Intelligence (AI).
- Основи штучних нейронних мереж
- Основні типи та технології штучних нейронних мереж
- Workshop 4. Штучний інтелект
- Домашнє завдання 9: Реалізація штучних нейронних мереж
Прикладні аспекти технологій data science
- Алгоритми та технології прогнозування динаміки зміни показників ефективності торгівельних компаній
- Домашнє завдання 10: Розробка програмного модуля прогнозування динаміки зміни показників ефективності торгівельних компаній (міні-проєкти в галузі аналізу даних для завдань електронної комерції)
- Алгоритми та технології визначення кредитних ризиків для банківських CRM систем
- Методологічні основи SCORING – аналізу
- Практика SCORING – аналізу
- Домашнє завдання 11: Макет CRM системи SCORING – аналізу (міні-проєкти в банківській сфері аналізу даних)
- Обробка геопросторової інформації (для Geographic Information System (GIS))
- Основи геоінформаційних технологій
- Практика аналізу геопросторової інформації
- Домашнє завдання 12: Макет GIS системи
Вимоги для проходження курсу
- Базові знання з програмування:
- принципи програмування
- алгоритмізація та базові алгоритми
- Базові знання Python:
- синтаксис
- типи та структури даних
- базові оператори розгалужених обчислень
- функціональне та ООП програмування
- робота з IDE, створення оточення
- Базові знання з математики:
- елементи теорія ймовірностей
- дискретна математика
- теорія матриць
- дослідження функцій
- аналітична геометрія
- тригонометрія
Особливості курсу
- Передові авторські розробки
- Безліч практичних кейсів
- Доступ до всіх матеріалів курсу протягом 6 місяців після завершення
- Створення моделей, які можна використати для портфоліо
- 4 воркшопи
Викладачі курсу
- Олексій Писарчук - Data Science тренер у Sigma Software University
- Андрій Салата - Principal Software Developer at Sigma Software
- Data Science / Machine learning / AI
Ми розробили цю мікромагістратуру для інженерів, архітекторів та дата-сайентистів, які розуміють імпакт AI для розробки та бізнесу і хочуть посилити свій скілсет. Протягом 3-х місяців ви step-by-step пройдете шлях від ML-моделей як POC до розробки рішень на базі LLM.
Програма курсу
Модуль 1. Основи ML та MLOps
Цей модуль присвячено структуризації знань з принципів роботи GenAI, ML, MLOps та LLMOps:
- Основи ML-технологій - від основних GenAI-інструментів та платформ до специфіки MLOps та LLMOps
- Основні принципи тестування для LLMOps
- Підготовка даних для ML-моделей
Модуль 2. Від ML-моделі до AWS-cloud deployment
У цьому модулі ви сфокусуєтеся на деплойменті моделі у хмарне середовище:
- Переваги та специфіка Amazon Web Services
- Хмарна інфраструктура та сервіси AWS для роботи з даними: Lambda, Kinesis, Glue, SageMaker, Bedrock
- Безпекові аспекти AWS
- Основні принципи керування систем баз даних: ACID, CAP, BASE, PIE
Модуль 3. Розробка рішення на базі LLM
Цей модуль присвячений розробці власного рішення на базі LLM:
- Бізнес-кейси, які вирішує NLP/NLG
- Створення GenAI-додатків для аналізу та генерації контенту на базі Streamlit та Gradio
- Фреймворки для різноманітних LLM-додатків (промпти, ланцюги послідовностей, відповіді на запитання, агенти)
Що ви вивчите
- GenAI інструменти та платформи
- Основи розробки та тестування ML-моделей
- Можливості хмарної інфраструктури AWS (Lambda, SageMaker, Bedrock)
- Фреймворки у розробці LLM-додатків
- Інструменти для розробки власного LLM-рішення (Streamlit, Gradio)
Вимоги до учасників
- Знання англійської не нижче за B2
- 2+ роки досвіду в IT
- Загальні знання про cloud (обчислення та інфраструктура хмар)
- Знання Python (або іншої мови програмування) на середньому рівні
- Досвід роботи з бібліотеками перетворення даних (Pandas) - буде перевагою
Особливості курсу
- Програма присвячена найактуальнішому технологічному домену, попит на який тільки формується, і надалі буде лише зростати
- Гнучкий формат навчання, який можна поєднувати з full-time роботою
- Навчання у експертів-практиків з постійним фідбеком та підтримкою
- Фінальний проєкт - власне унікальне LLM-рішення
Викладачі курсу
- Артем Кобрін - Досвідчений керівник хмарної практики в Neurons Lab
- Ростислав Мироненко - Solutions architect (Cloud) у компанії Booking.com
- Data Science / Machine learning / AI
- Prompt Engineering / ChatGPT
Курс "Штучний Інтелект для дітей" - це захоплююча подорож у світ сучасних технологій, що змінюють наше життя. Ми створили програму, яка допоможе дітям віком від 12 до 16 років не лише зрозуміти основи штучного інтелекту, а й на практиці навчитися використовувати найсучасніші інструменти.
Програма курсу
Вступ до ШІ: Що це таке?
Цей розділ розкриває основи штучного інтелекту: що таке ШІ, як він працює, які алгоритми та нейронні мережі лежать в його основі, і як машини навчаються виконувати завдання.
Як працюють алгоритми
У цьому розділі ви дізнаєтеся, як алгоритми використовуються для розв'язання різних задач у світі ШІ. Ми пояснимо, як алгоритми обробляють дані, виявляють патерни та приймають рішення на основі аналізу. Ви ознайомитеся з різними типами алгоритмів, такими як алгоритми для машинного навчання, нейронні мережі та інші, і побачите, як вони застосовуються для розпізнавання зображень, прогнозування та інших завдань.
Вступ до Python для ШІ
У цьому розділі ви ознайомитеся з основами програмування на Python, однієї з найпопулярніших мов для розробки ШІ. Ви навчитеся працювати з базовими конструкціями мови, такими як змінні, цикли та функції, а також освоїте основи роботи з бібліотеками Python, що використовуються в ШІ, такими як NumPy, Pandas та Matplotlib. Це стане фундаментом для створення власних проєктів і вирішення задач із використанням штучного інтелекту.
Робота з даними: таблиці та графіки
У цьому розділі ви навчитеся працювати з даними, використовуючи таблиці та графіки для їх аналізу та візуалізації. Ви ознайомитесь з основними бібліотеками Python, такими як Pandas для обробки даних і Matplotlib для побудови графіків. Ви навчитесь створювати таблиці для збереження та маніпулювання даними, а також будувати графіки, щоб краще розуміти і презентувати результати аналізу. Це важливий етап у роботі з великими обсягами інформації, необхідними для ШІ.
Основи нейронних мереж
У цьому розділі ви дізнаєтеся про нейронні мережі - ключову технологію в штучному інтелекті. Ви ознайомитеся з їхньою будовою та принципами роботи, включаючи поняття нейронів, шарів, активаційних функцій та ваг. Також ви навчитесь, як нейронні мережі використовуються для розпізнавання зображень, обробки тексту та інших завдань. Ми розглянемо, як вони "навчаються" на прикладі алгоритмів навчання з підкріпленням і зворотного поширення помилки.
Як ШІ вчиться: класифікація
У цьому розділі ви дізнаєтеся, як штучний інтелект використовує методи класифікації для навчання та прийняття рішень. Класифікація - це процес, при якому ШІ вчиться відносити об'єкти до певних категорій на основі вхідних даних. Ви ознайомитесь з алгоритмами класифікації, такими як методи опорних векторів, дерева рішень і логістична регресія. Ми також розглянемо, як ці алгоритми використовуються в реальних задачах, наприклад, для розпізнавання зображень чи прогнозування.
Створюємо чат-бота
У цьому розділі ви навчитесь, як створювати свого власного чат-бота, використовуючи технології штучного інтелекту. Ви ознайомитеся з основами розробки чат-ботів, їх архітектурою та принципами роботи. Використовуючи бібліотеки Python, такі як NLTK та TensorFlow, ви навчитеся обробляти текст, розпізнавати запити користувачів і генерувати відповідь. Ми також розглянемо різні типи чат-ботів, від простих до більш складних, і як їх можна застосовувати в реальних проєктах.
Комп'ютерний зір: як "бачить" ШІ
У цьому розділі ви дізнаєтесь, як штучний інтелект використовує комп'ютерний зір для розпізнавання та аналізу зображень. Ви ознайомитесь з основними техніками, такими як обробка зображень, виявлення об'єктів і розпізнавання образів. Використовуючи бібліотеки Python, наприклад OpenCV і TensorFlow, ви навчитесь навчаючи модель розпізнавати зображення, виявляти об'єкти та класифікувати їх. Це важливий аспект ШІ, що застосовується у багатьох сферах, від медицини до автомобільної промисловості.
Розпізнавання тексту: OCR
У цьому розділі ви дізнаєтесь, як штучний інтелект використовує технологію оптичного розпізнавання символів (OCR) для перетворення тексту з зображень у редагований формат. Ви навчитеся працювати з бібліотеками Python, такими як Tesseract, для обробки та аналізу зображень, що містять текст. Зрозумієте, як налаштовувати моделі OCR для точного розпізнавання тексту в різних умовах і застосовувати цю технологію для автоматизації процесів, наприклад, в документах або на сканованих зображеннях.
Вивчення голосових команд
У цьому розділі ви дізнаєтесь, як штучний інтелект використовує технології розпізнавання мови для обробки голосових команд. Ви навчитеся працювати з бібліотеками Python, такими як SpeechRecognition, для перетворення голосових повідомлень у текст. Також ви ознайомитесь з принципами побудови голосових асистентів, налаштуєте їх для виконання простих команд, таких як управління додатками або запити до баз даних. Це дозволить вам створювати інтерактивні голосові інтерфейси для різних проєктів.
Генерація тексту: створюємо історії
У цьому розділі ви дізнаєтесь, як штучний інтелект може генерувати текст, створюючи історії, вірші або інші творчі тексти. Ви навчитесь працювати з бібліотеками, такими як GPT або RNN, для навчання моделей на великому обсязі тексту. Розглянете, як налаштовувати ці моделі для генерації цікавих і змістовних історій, що відповідають заданим параметрам. Це дозволить вам створювати творчі проєкти, від генерації казок до написання сценаріїв для ігор чи відео.
Аналіз емоцій у тексті
У цьому розділі ви дізнаєтесь, як штучний інтелект може аналізувати емоційний тон тексту, визначаючи настрої, такі як радість, сум, гнів чи страх. Ви навчитесь працювати з бібліотеками Python, такими як TextBlob і VADER, для виявлення емоцій у текстах та коментарях. Розглянете, як ці технології застосовуються для автоматичного аналізу відгуків, соціальних мереж або чату, щоб зрозуміти, як люди реагують на різні події чи продукти. Це допоможе створювати додатки для моніторингу настроїв або покращення взаємодії з користувачами.
Робота з великими даними
У цьому розділі ви дізнаєтесь, як працювати з великими обсягами даних, які зазвичай неможливо обробити традиційними методами. Ви навчитесь використовувати інструменти та бібліотеки Python, такі як Pandas, Dask та PySpark, для ефективної обробки та аналізу великих наборів даних. Розглянете основи зберігання, обробки і візуалізації даних, а також техніки оптимізації роботи з великими даними. Це дозволить вам вирішувати складні задачі, пов'язані з аналізом інформації, що надходить у реальному часі, або великих баз даних.
Прогнозування трендів
У цьому розділі ви дізнаєтесь, як штучний інтелект може допомогти у прогнозуванні майбутніх трендів на основі аналізу даних. Ви навчитесь використовувати алгоритми машинного навчання, такі як регресія, деревоподібні моделі та нейронні мережі, для прогнозування змін у різних сферах, від фінансів до соціальних мереж. Розглянете, як збирати, обробляти та аналізувати дані для побудови точних моделей, які допомагають передбачити майбутні події або тренди. Це корисний навик для створення стратегій розвитку бізнесу чи аналізу популярних тем в Інтернеті.
Створюємо систему рекомендацій
У цьому розділі ви дізнаєтесь, як створювати систему рекомендацій, яка допомагає користувачам знаходити найбільш релевантний контент, продукти чи послуги на основі їхніх уподобань. Ви навчитесь використовувати алгоритми, такі як фільтрація за змістом і колаборативна фільтрація, для аналізу даних про користувачів та їхні вподобання. Розглянете, як працюють системи рекомендацій на практиці в таких платформах, як Netflix, Amazon та Spotify, і навчитесь створювати свої власні системи для рекомендації фільмів, музики чи товарів.
Автоматизація рутинних завдань
У цьому розділі ви дізнаєтесь, як за допомогою штучного інтелекту та програмування можна автоматизувати рутинні завдання, що зазвичай займають багато часу. Ви навчитесь створювати скрипти на Python для автоматизації процесів, таких як обробка даних, організація файлів, відправка електронних листів або управління соціальними мережами. Опануєте інструменти, які дозволяють спростити роботу та зекономити час, застосовуючи їх для виконання повторюваних операцій без людської участі.
Використання АІ у дизайні
У цьому розділі ви дізнаєтесь, як штучний інтелект допомагає створювати інноваційний дизайн у різних сферах - від графічного дизайну до веб-дизайну та розробки продуктів. Ви навчитесь використовувати інструменти ШІ для автоматизації процесів дизайну, таких як генерація графічних елементів, адаптивний дизайн, або навіть створення унікальних візуальних стилів. Опануєте методи роботи з AI для розпізнавання патернів у зображеннях, оптимізації дизайну користувацьких інтерфейсів і створення креативних рішень, що змінюють підхід до творчих процесів.
Ігровий ШІ: створюємо бота для гри
У цьому розділі ви дізнаєтесь, як створювати штучний інтелект для відеоігор, розробляючи бота, який може самостійно грати і приймати рішення. Ви навчитесь використовувати алгоритми машинного навчання та методи штучного інтелекту, такі як алгоритм мінімакса або навчання з підкріпленням, для створення бота, який може адаптуватися до змінних умов гри. Ви також розглянете, як покращити взаємодію з користувачем і зробити гру цікавішою завдяки інтелектуальним суперникам.
Пошукові системи
У цьому розділі ви дізнаєтесь, як працюють сучасні пошукові системи, використовуючи Elasticsearch та Whoosh для ефективного пошуку та обробки великих обсягів даних. Ви навчитесь налаштовувати ці інструменти для індексації текстової інформації та швидкого пошуку за ключовими словами. Розглянете, як створювати та оптимізувати пошукові запити, використовувати фільтрацію, агрегацію та інші методи для покращення результатів пошуку, що дозволяє створювати потужні й точні пошукові системи для ваших додатків.
Перевірка зображень на фейки
У цьому розділі ви дізнаєтесь, як штучний інтелект використовується для виявлення фальшивих зображень та відео, створених за допомогою технологій Deepfake. Ви ознайомитесь з алгоритмами машинного навчання та нейронними мережами, які дозволяють визначати маніпульовані медіа, аналізуючи їхні особливості. Ви навчитесь використовувати інструменти для виявлення підроблених зображень, розпізнавання ознак фальсифікації та застосовувати ці технології для боротьби з дезінформацією та забезпечення правдивості контенту в Інтернеті.
ШІ у кіно: аналіз фільмів
У цьому розділі ви дізнаєтесь, як штучний інтелект використовується для аналізу фільмів і відгуків про них, зокрема через техніки аналізу емоцій (sentiment analysis). Ви навчитесь застосовувати алгоритми для виявлення емоційного тону в рецензіях, відгуках або навіть у самому сценарії фільму. Розглянете, як за допомогою аналізу настроїв можна визначити, чи є фільм позитивним, негативним або нейтральним для глядачів, а також як це застосовується в маркетингу, рекомендаційних системах та аналізі популярності фільмів.
Навчання гри "Тік-так-то"
У цьому розділі ви дізнаєтесь, як створювати штучний інтелект для гри в "Тік-так-то" за допомогою алгоритму мінімакс. Алгоритм мінімакс використовується для побудови ідеальних стратегій в іграх з нульовою сумою, де два гравці мають протилежні цілі. Ви навчитесь реалізовувати цей алгоритм, який перебирає всі можливі ходи, оцінює їх та вибирає оптимальний для кожного гравця. Розглянете, як ШІ може приймати рішення на основі поточної ситуації на дошці, забезпечуючи виграш або нічию, і як цей алгоритм застосовується до різних ігор.
Автопілот: моделюємо рух авто
У цьому розділі ви дізнаєтесь, як створити просту модель автопілота, який може рухатися по трасі, використовуючи бібліотеки SimPy та OpenCV. Ви навчитесь моделювати рух автомобіля в реальному часі, використовуючи симуляцію та алгоритми для управління шляхом, виявлення об'єктів та реагування на зміни в оточенні. SimPy дозволяє моделювати різні аспекти роботи системи, а OpenCV - здійснювати розпізнавання зображень і допомагати автопілоту реагувати на перешкоди, знаки або інші важливі елементи. Це дозволить вам зрозуміти основи автоматичного управління та комп'ютерного зору в контексті автономних транспортних засобів.
Моделювання погоди
У цьому розділі ви дізнаєтесь, як використовувати штучний інтелект для моделювання та прогнозування погодних умов, застосовуючи бібліотеки TensorFlow та NumPy. Ви навчитесь працювати з даними про погоду, такими як температура, вологість, швидкість вітру, для створення моделей, які можуть прогнозувати майбутні погодні умови. За допомогою TensorFlow ви навчитесь розробляти нейронні мережі для прогнозування, а NumPy допоможе в обробці та аналізі даних. Це дозволить вам створювати потужні моделі для передбачення змін у погоді на основі історичних даних.
Створення власного голосового асистента
У цьому розділі ви дізнаєтесь, як створити власного голосового асистента, використовуючи бібліотеки SpeechRecognition та GPT. Ви навчитесь обробляти голосові команди, записуючи звук за допомогою мікрофона та перетворюючи його в текст за допомогою SpeechRecognition. Потім ви використаєте GPT або інші моделі для генерації відповідей на основі отриманого тексту. Ви навчитесь налаштовувати свого асистента для виконання різних дій, таких як пошук інформації в Інтернеті, управління пристроями або надання простих відповідей на питання. Це дозволить створити інтерактивний голосовий інтерфейс для ваших проєктів.
Етика ШІ: як з ним дружити?
У цьому розділі ви дізнаєтесь про етичні питання, які виникають при розробці та використанні штучного інтелекту. Ми розглянемо, як забезпечити прозорість, справедливість і відповідальність при створенні та застосуванні ШІ, а також важливість захисту приватності та безпеки даних. Ви дізнаєтесь, як уникати упередженості в алгоритмах і як забезпечити, щоб технології ШІ служили на благо суспільству. Цей розділ допоможе вам зрозуміти, як працювати з ШІ етично та відповідально, підтримуючи баланс між інноваціями та моральними принципами.
Використання ШІ в медицині
У цьому розділі ви дізнаєтесь, як штучний інтелект застосовується в медицині для аналізу медичних зображень, таких як рентгенівські знімки, МРТ, УЗД та інші. Ви навчитесь використовувати технології комп'ютерного зору, зокрема методи розпізнавання зображень, для автоматичного виявлення ознак захворювань, таких як пухлини, переломи чи інші патології. Використовуючи бібліотеки, як TensorFlow та Keras, ви створите моделі, які здатні класифікувати та оцінювати медичні зображення, допомагаючи лікарям у швидкому та точному діагностуванні.
Інтеграція з ІоТ
У цьому розділі ви дізнаєтесь, як інтегрувати штучний інтелект з Інтернетом речей (IoT) за допомогою Raspberry Pi та OpenCV. Ви навчитесь підключати датчики та камери до Raspberry Pi, збирати дані з реального світу та обробляти зображення в реальному часі за допомогою OpenCV. Це дозволить створювати смарт-пристрої, які можуть виконувати завдання, такі як розпізнавання об'єктів, виявлення руху або аналіз оточення. Розглянете, як використовувати цю інтеграцію для створення розумних систем безпеки, автоматизації дому чи інших IoT рішень, що використовують комп'ютерний зір і ШІ.
Робота над власними проєктами
Особливості курсу
- Допомога ментора
- Практика
- Сертифікат про проходження курсу
- Проєкт в портфоліо
- Використання сучасних технологій ШІ
- Інтерактивність
Викладачі курсу
Сергій - Python, Front End
Більше інформації- Data Science / Machine learning / AI
Програма курсу
Вступ до глибокого навчання (DL)
- DL для задач обробки природньої мови (NLP) та комп’ютерного зору (CV). Інші прикладні галузі
- Що таке нейронна мережа (NN)?
- Компоненти NN. Перцептрон
- Як навчається NN? Градієнтний спуск
- Функція втрат. Пряме і зворотне розповсюдження
Основи PyTorch
- Проста NN у PyTorch
- Функції активації. Приховані шари VS вихідні шари
- Методи регулярізації. Рання зупинка. Dropout
- Залишкові з'єднання
Ембединги
- Представлення тексту у вигляді векторів
- Класичні алгоритми ембедингів для завдань NLP
- Word2vec, GloVe, fastText
Текст як послідовність
- RNN
- LSTM
- GRU
Моделі послідовності до послідовності (seq-to-seq)
- Bi-directional LSTM
- Моделі encoder-decoder
Transformers
- Attention. Encoder, decoder. Self-attention
- BERT vs GPT-2
Поширені завдання NLP з використанням Transformers
- Класифікація текстів
- Відповідь на запитання
- Семантичний пошук
Генеративні моделі
- Перефразування, сумаризація тексту
- Великі мовні моделі (LLMs)
Згорткові нейронні мережі
- Класифікація зображень
- Попередня обробка зображень. Аугментація
Трансфер навчання
- LeNet
- AlexNet
- VGGNet
- Inception
- ResNet
- EfficientNet
Детекція об'єктів
- R-CNN
- YOLO
- SSD
Семантична сегментація, об'єктна сегментація
- UNet
- Mask R-CNN
- YOLACT
Генерація зображень
- Автокодери. GAN
- Передача нейронного стилю
Diffusers
- Текстове підсумування зображення
- Text-to-Image
- Production
Оптимізація NN
- Налаштування гіперпараметрів
- Прискорення тренування
- Накопичення градієнта
- Контрольні точки градієнта
- Змішана середня точність
Розгортання
- FastAPI
- Моніторинг моделей у виробництві
Після курсу ви зможете
- Використовувати нейронні мережі для вирішення реальних задач обробки природної мови та комп’ютерного зору
- Користуватися фреймворком PyTorch, бібліотеками Hugging Face та OpenCV
Особливості курсу
- Допомога ментора
- Практика
- Сертифікат про проходження курсу
- Основний інструмент PyTorch
- Cloud technologies
- Data Science / Machine learning / AI
Впродовж навчання ви детально розберете сучасні cloud-рішення та технології машинного навчання. Курс за курсом, розглядатимемо їхні можливості та перспективи застосування, які відкриваються перед розробниками. Пройдете шлях від математичних основ моделей машинного навчання до комплексних бізнес-рішень на межі cloud та ШІ.
Програма курсу
Теми:
- Модуль 1. Innovative technologies in business and society | Part 1
- Модуль 2. Technical Project Management | Part 1
- Модуль 3. Strategies and advanced management in IT | Part 1
- Модуль 4. Python for developers
- Модуль 5. Intro to Cloud
- Модуль 6. Innovative technologies in business and society | Part 2
- Модуль 7. Technical Project Management | Part 2
- Модуль 8. Strategies and advanced management in IT | Part 2
- Модуль 9. Math and Statistics for AI
- Модуль 10. Databases (SQL)
- Модуль 11. AI Intro
- Модуль 12. Enterpreneurship | Part 1
- Модуль 13. Machine Learning
- Модуль 14. NoSQL
- Модуль 15. Cloud infrastructure services | Part 1
- Модуль 16. Enterpreneurship | Part 2
- Модуль 17. Cloud infrastructure services | Part 2
- Модуль 18. MLOps
- Модуль 19. Data Analysis OR Data Visualisation
- Модуль 20. Solution Design | Solution Architecture | 4 ETCS
- Модуль 21. Capstone project (Курсова робота) | 3 ETCS
- Модуль 22. Startup incubator (перед дипломна практика) | 10 ETCS
- Модуль 23. Master thesis (Магістерська дипломна робота) | 18 ETCS
- Модуль 24. Research & Development (курс по написанню дипломних та проведенню досліджень)
- Модуль 25. Вибіркові курси (2 курси з інших програм по 3 кредити) | 2*3 ETCS
Що ви вивчите
- Розглянете ключові принципи та основи технології машинного навчання
- На практиці навчитесь працювати з Big Data та Machine Learning для розгортання бізнес-рішень
- Розберете найпопулярніші сервіси для cloud-обчислень та їх інтеграцію з Python
- Розглянете стратегії використання cloud-технологій та платформ для обчислень та зберігання даних
- Навчитесь будувати відмовостійку та адаптивну інфраструктуру для додатків на основі cloud-технологій
- Розробите власний технологічний стартап чи рішення на перетині cloud та ML технологій
Вимоги до вступників
- Диплом бакалавра
- Англійська рівня B2 або вище
- Вміння програмувати на Python або іншій мові
- Сертифікати ЄВІ 2023 або 2024 років та складений ЄФВВ
- Вміння працювати з контейнерами
- Знання принципів хмарного середовища
- Готовність виділяти близько 20 годин на тиждень на навчання
Особливості курсу
- Повноцінна академічна програма розроблена відповідно до вимог та стандартів МОН України
- Можливість поєднувати з full-time роботою
- Доступ до ексклюзивних буткемпів та заходів партнерів SET University
- Менторський підхід та провідні викладачі з практичним досвідом з України, Європи та США
- Фундаментальна освіта в поєднанні з практикою, актуальні технології та робота над задачами реальних компаній
- Свій стартап в рамках диплому, глибинне розуміння роботи ІТ-бізнесів та розвиток лідерських навичок
Викладачі курсу
- Максим Почебут - Chief Learning Officer в Sigma Software Group
- Дмитро Кузьменко - Дмитро очолює та контролює команду з 20 ML-інженерів в LITSLINK
- Сергій Синьковський - Principal Security Engineer в Wildix. Ex-VP of Infrastructure в Dfns
- Готьє Вассер - Експерт з аналізу даних, AI та цифрової трансформації
- Євгенія Клепа - Підприємиця, виконавча директорка, координаторка проєктів, менторка та спікерка з 10-річним досвідом роботи у сфері технологій
- Артем Кобрін - Досвідчений керівник хмарної практики в Neurons Lab, який має десятирічний успішний міжнародний досвід у сфері DevOps, безпеки та мережевого ШІ, IoT та аналізу даних
- Костянтин Соловйов - Експерт з комунікацій, власник маркетингової агенції та ментор стартап-акселератора
- Алекса Синячева - Співзасновниця Moeco, консультантка з розвитку стартапів, менторка Techstars, викладає курс підприємництва в SET University
- Артем Колишкін - Віце-президент з розробки програмного забезпечення, керівник відділу доставки Customertimes Corp в Східній Європі
- Дмитро Овчаренко - Директор технологічного офісу в N-iX
- Андрій Родіонов - Кандидат технічних наук, спеціаліст з Java-програмування
- Андрій Бігдан - Магістр комп’ютерних наук. Executive Manager в B2B Solutions
- Андрій Маєвський - Senior Director, Professional Services & Support в IRONSCALES
- Дмитро Терещенко - Магістр технічних наук, понад 20 років досвіду в IT
- Ірина Шимко - Mагістр з менеджменту та бізнес-аналізу
- Дмитро Корнілов - Дмитро має великий практичний досвід у створенні XR, Digital Fashion, віртуальних аватарів та метапроєктів для брендів
- Олена Сирота - Більше 20 років досвід роботи в ІТ в області розробки розподілених систем
- Максим Івашура - Досвідчений sr.DB/DWH інженер з більш ніж 30-річним досвідом роботи у сфері баз даних та складів даних
- Маргарита Мельник - Telecommunications engineer with a degree in Telecommunication Systems and Networks, PhD in Information Security, Associate Professor
- Денис Котов - Engineering Manager у BCD Travel
Сторінки
Читайте нас в Telegram, щоб не пропустити анонси нових курсів.
Відгуки про курси
Пройшов курс у Robot_Dreams. Хороший старт для тих, хто хоче зайти в ІТ. Команда завжди була на зв’язку. Подача доступна, матеріали якісні. Можу рекомендувати.
Я пройшов курс "AI for Business" від Robot_Dreams і залишився повністю задоволений навчанням. Програма складалася з 18 занять, що поєднували теоретичну частину та практичні завдання—тести, презентації та аналіз кейсів.
Особливо хочу відзначити Андрія Рижкова, викладача курсу. Його подача матеріалу була професійною, структурованою та захопливою. Він завжди знаходив час відповісти на запитання, пояснити складні моменти та підтримати учасників, що зробило навчання ще більш ефективним.
Курс надав глибоке розуміння базових принципів роботи штучного інтелекту та його застосування в бізнесі. Хоча навчання мало переважно теоретичний характер, значну увагу приділяли практичним кейсам та корисним інструментам, які вже можна використовувати в роботі. LMS-платформа, яку використовують у курсі, зручна та інтуїтивно зрозуміла.
Рекомендую курс керівникам, які планують інтегрувати AI-рішення у свій бізнес або хочуть краще розібратися в можливостях сучасних технологій перед тим, як наймати команду чи купувати готовий продукт.
Окрема подяка команді підтримки — вони завжди на зв’язку, приємні у спілкуванні та максимально підтримують учасників протягом навчання.
Курс оцінюю на 4,5 бали.
Загалом навчання було пізнавальним, цікавим та глибоким. Тим не менш абсолютним навачкам без базових знань програмування (можна і JS), статистики, лінійної алгебри, поняття регресії та її показників не рекомендую. Я проходила навчання з хоча б такими вихідними даними і це було не просто. Але всі домашні завдання виконані, курсова робота здана і результат - 196 з 200 вважаю позитивним.
Підсумок. Рекомендую для всіх, хто цікавиться даною темою, але зважати на ненульовий вхідний поріг.
Курс корисний. Лекторка Наталія добре пояснювала матеріал. Дуже вдячний за нові знання
Рекомендую
