Курси Data Science та Machine learning

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

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
• 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

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

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

Створюватимемо складні продакшн системи для моделей машинного навчання за допомогою Python та інфраструктурного стека для машинного навчання.

Програма курсу

Вступ

• Мотивація, ML 101
• Основні компоненти системи ML
• Інфраструктура для ML, Docker, Kubernetes, CI/CD
• Конструкторська документація

Дані

• Зберігання та обробка даних
• Позначення та версії даних
• Функціональні магазини
• Конфіденційність

Експерименти

• Автоматизований цикл ML
• Управління експериментом
• Структура експерименту
• Тестування коду ML
• Модельне управління
• CI/CD для ML

Пайплайни

• Оркестровка та Kubeflow
• Оркестровка та AirFlow

Основи сервірування

• Різні моделі розгортання
• API
• Сервери висновків
• Бенчмаркінг

Попередня подача

• Інфраструктура масштабування
• Масштабна модель
• Оптимізація

Моніторинг

• Моніторинг
• Виробничі проблеми
• Пояснюваність
• Упередженість у ML
• Уряди та перевірка

Платформи

• SageMaker
• Вершина ШІ
• Платформи на базі K8S
• Порівняння платформ

Особливості курсу

• Відеолекції щопонеділка та вебінари щосуботи о 16:00
• Real-life завдання
• Курсовий проєкт
• Регулярний фідбек
• Сертифікат за здобутки

Викладачі курсу

Кирил Трусковський - Machine Learning Engineer at Georgian

Програма курсу

Модуль 1. Вступ до Машинного навчання

• Введення в машинне навчання: основні поняття та застосування
• Види машинного навчання
• Основні інструменти та бібліотеки для машинного навчання
• Основи Python в контексті аналізу даних
• Основи NumPy, SciPy та Pandas

Модуль 2. Приготування та очищення даних

• Збір, імпорт, очищення та підготовка даних для аналізу
• Обробка відсутніх даних та викидів
• Візуалізація даних для аналізу
• Основи роботи з географічними даними

Модуль 3. Лінійна регресія

• Лінійна регресія: теорія та застосування
• Види лінійних моделей
• Аналіз часових рядів та прогнозування

Модуль 4. Класифікація та ансамблеві методи

• Базові класифікаційні моделі, дерева рішень та їх створення
• Випадковий ліс (Random Forest), Градієнтний бустінг (Gradient Boosting), Адаптивний бустінг (AdaBoost) та власні ансамблі
• Оцінка та валідація моделей

Модуль 5. Кластеризація та аналіз даних

• Кластеризація даних: методи та застосування
• Аналіз головних компонент (PCA) та методи зменшення розмірності
• Відкриті дані та аналіз текстових даних
• Візуальний аналіз даних за допомогою Orange

Модуль 6. Нейронні мережі та глибинне навчання

• Вступ до нейронних мереж та штучних нейронів
• Пряме поширення сигналу та зворотне поширення помилок. Глибинні нейронні мережі (Deep Neural Networks)
• Конволюційні нейронні мережі (CNN)
• Рекурентні нейронні мережі (RNN)
• Автоенкодери та трансформери

Модуль 7. Аналіз та покращення результатів машинного навчання

• Налаштування набору даних та аналіз помилок навчання
• Аналіз кривих, що характеризують процес навчання. Порівняння результатів з точністю людини
• Різні розподіли тестового та навчального набору даних. Аналіз помилок конвеєрів ML

Модуль 8. Додаткові теми в машинному навчанні

• Введення до асоціативних правил. Алгоритми видобування асоціативних правил
• Клітинні автомати та мультиагентні системи
• Генетичні алгоритми, методи мурашиного рою, фрактали
• Нечітка логіка
• Навчання з підкріпленням та Q-навчання
• Інтелектуальні агенти

Лабораторні роботи з індивідуальними консультаціями

Упродовж курсу з ML практика буде невід'ємною частиною навчання. Лектор даватиме завдання та буде на своєму прикладі демонструвати варіанти вирішення. Теми лабораторних робіт, які чекають на тебе:

• Ознайомлення з інструментами машинного навчання
• Підготовка даних для аналізу
• Лінійна регресія та метод найменших квадратів
• Класифікація реальних даних
• Кластеризація даних та аналіз головних компонентів
• Глибинні нейронні мережі (Deep Neural Networks)
• Використання CNN для обробки зображень
• Рекурентні нейронні мережі (RNN)
• Симулятор мультиагентних систем
• Використання асоціативних правил для аналізу даних
• Навчання з підкріпленням та Q-навчання

Заняття з англійської

На цьому занятті ти зможеш протестити свій рівень англійської та покращити розуміння професійних технічних термінів, з якими обов’язково стикнешся під час роботи в ІТ.

Кар'єрна консультація з рекрутером

Навчання - це тільки перший етап на шляху до омріяної роботи. У тебе тепер є практичний досвід використання знань з машинного навчання на практиці. А отже - час складати резюме, доповнювати профіль в Лінкедині та шукати роботу. З цим тобі допоможе заняття з рекрутером.

Вимоги до студентів

• знати Python на середньому рівні
• розуміти основи статистики
• середній рівень знань Numpy SciPy
• знати основи Matplotlib, Seaborn
• знати Pandas на середньому рівні

Особливості курсу

• Лекції в зручний час
• Практичні заняття
• Невелика група
• Заняття з англійської
• Сертифікат про проходження курсу
• Можливість контракту з компанією

Викладачі курсу

Ярослав Виклюк - Професор, доктор технічних наук

На курсі розглянете різні завдання машинного навчання з точки зору роботи з даними й особливостями різних моделей використовуючи мову Python, здобудете навички роботи з традиційними алгоритмами і методами машинного навчання, нейронними мережами, а також обробкою природних мов і комп'ютерним зором.

Програма курсу

Introduction to Machine Learning

• Що таке AI/DS/ML/DL?
• Роль математики у ML
• Роль статистики у ML
• Задачі, що вирішує ML
• Етапи реалізації проєктів із ML
• Збір і обробка даних у ML, джерела даних та їх особливості
• Огляд основних інструментів у ML з використанням Python

Machine Learning Basic Tool: NumPy

• Що таке NumPy?
• Типи даних та їх атрибути
• Масиви
• Операції з масивами
• Сортування масивів

Machine Learning Basic Tool: Pandas

• Що таке Pandas?
• Структури й типи даних у Pandas
• Імпортування й експортування даних у Pandas
• Огляд даних у Pandas
• Операції з даними в Pandas

Data Visualization

• Призначення і важливість візуального аналізу й візуалізації даних
• Первинний аналіз даних
• Модулі matplotlib, seaborn, plotly
• Побудова простих графіків однієї змінної
• Побудова графіків двох і більше змінних
• Аналіз графіків (перевірка кореляції, аутлейєрів…)
• Побудова нових змінних вручну
• Побудова нових змінних за допомогою бібліотек

Linear Regression & Regularization

• Лінійні моделі в задачах регресії
• Навчання моделі лінійної регресії
• Лінійна регресія в scikit-learn
• Градієнтний спуск у задачах лінійної регресії
• Стохастичний і mini-batch градієнтний спуск
• Перенавчання і недонавчання. Гіперпараметри
• Регулярізація
• Крос-валідація

Logistic Regression & Machine Learning Metrics

• Метрики якості
• Метрики якості в задачах регресії
• Метрики якості в задачах класифікації
• Метрики якості в scikit-learn
• Метричні моделі
• Принцип передбачення в метричних моделях
• Метрики відстані
• KNN класифікатор і регресор у scikit-learn

Tree Based Models

• Ідея роботи моделей на основі дерев рішень
• Тренування дерева рішень
• Критерії зупинки й "підстригання" дерев
• Дерева рішень і категоріальні фічі
• Приклади реалізації в scikit-learn
• Bias-Variance Tradeoff
• Bagging
• Boosting
• Stacking

SVM & Clustering

• SVM
• Ідея алгоримту. Робота на лінійно роздільних даних
• SVM на лінійно нероздільних даних
• Ядра. Метод вікна Парзена
• Кластеризація
• Unsupervised learning
• Основні алгоритми кластеризації
• k-means
• Ієрархічна кластеризація
• Кластеризація за щільністю об'єктів
• Інші методи кластеризації
• Метрики оцінки якості кластеризації

Dimensionality Reduction

Recommender Systems

Introduction to Deep Learning

• Визначення Deep Learning
• Задачі, що вирішуються за допомогою Deep Learning
• Нейронні мережі
• Основні фреймворки для Deep Learning
• Ознайомлення з PyTorch
• Тензори
• Набори даних і завантажувачі даних
• Побудова нейронної мережі
• Автоматичне обчислення похідних
• Оптимізація параметрів моделі
• Збереження і завантаження моделі

Deep Learning: Layers

• Linear Layers
• Convolutional Layers
• Pooling Layers
• Normalization Layers
• Embedding Layers
• Dropout Layers
• Special Layers
• Activation Layers
• Gradient Explosion
• Gradient Vanishing
• Weight Initializations

Deep Learning: Optimization

• Optimization: General Ideas
• Gradient Descent
• Stochastic Gradient Descent
• SGD with Momentum
• Nesterov Momentum
• RMSProp
• Adam

Introduction to Computer Vision

• Image Classification
• Image Segmentation
• Object Detection
• Object Tracking
• Facial Recognition
• Pose Estimation
• Gesture Recognition
• Optical Character Recognition (OCR)
• Image Restoration
• Image Generation
• OpenCV
• Albumentations

Computer Vision: Classification Models

• ImageNet Dataset
• LeNet
• AlexNet
• VGG
• GoogLeNet (Inception v1)
• Inception v2
• ResNet
• DenseNet
• MobileNet v1
• MobileNet v2
• MobileNet v3
• EfficientNet
• EfficientNet v2

Computer Vision: Segmentations Models

• Segmentation Datasets
• Metrics
• FCN
• SegNet
• U-Net
• LinkNet
• FPN
• ENet
• PSPNet
• DeepLab v3
• DeepLab v3+

Computer Vision: Object Detection

• Introduction to Object Detection
• Object Detection Metrics
• Non-Maximum Suppression (NMS)
• Viola-Jones Detectors
• HOG Detector
• Deep Learning-based Detection Methods
• Two and One Stage Detectors
• R-CNN
• Fast R-CNN
• Faster R-CNN
• FPN

Introduction to Natural Language Processing

Natural Language Processing: Embeddings

Transformers

• Transformer
• GPT
• BERT
• Vision Transformer (ViT)

Reinforcement Learning

Особливості курсу

• Курс розрахований на IT-фахівців та інженерів будь-якої спеціальності, які знають Python, лінійну алгебру, математичний аналіз і статистику на рівні першого курсу технічного вузу
• Впродовж навчання будуть розглянуті різні завдання машинного навчання з точки зору роботи з даними та особливостей різних моделей машинного навчання, візуалізація отриманих результатів
• Заняття в режимі онлайн
• Доступ до відеозаписів занять в особистому кабінеті
• В кінці курсу виконується дипломний проєкт
• Оперативна служба підтримки студентів
• Викладачі курсу - практикуючі фахівці, що працюють в топових компаніях
• Можливість повернути всі внесені за навчання кошти до шостого заняття
• Бонуси курсу:
  • тренінги по проходженню співбесіди та складанню резюме з HR-фахівцем компанії
  • тестова співбесіда з технічним фахівцем

Викладачі курсу

• Денис Ступак - Senior Data Analyst
• Андрій Полухін - Machine Learning Engineer at Data Science UA
• Євген Краснокутський - Team Lead at MobiDev
• Дмитро Дорошенко - Senior Machine Learning Engineer at Triple A Technology Hub Kyiv
• Олег Коменчук - Data Scientist at Onseo
• Руслан Хоменко - ML Engineer at Postindustria
• Вероніка Вознюк - Data Scientist at AI EdgeLabs
• Юрій Лозинський - Machine Learning Engineer at SciForce Solutions

Класичний вступний курс із сучасного Machine Learning з акцентом на практику.

Програма курсу

Вступ до машинного навчання

• Що таке машинне навчання
• Приклади використання в реальному житті
• Типи задач (класифікація, регресія, кластеризація)
• Короткий огляд інструментів

Python та підготовка даних

• Основи Python для роботи з даними
• Використання бібліотек pandas, numpy

Дослідницький аналіз

• Огляд методів аналізу даних
• Заповнення пропущених значень
• Виявлення аномалій
• Візуалізація даних (графіки, гістограми)

Побудова моделей: регресії

• Лінійна регресія: принцип роботи
• Логістична регресія
• Оцінювання якості моделей

Evaluating models. Validation. Metrics

• Метрики оцінки моделей (MAE, MSE, R^2)
• Крос-валідація
• Переваги та недоліки різних підходів
• Обговорення помилок моделей

Побудова моделей: дерева рішень та метрики моделей

• Побудова дерева рішень
• Оцінювання важливості фіч
• Візуалізація дерева

Ансамблеві методи: Random Forest

• Принцип роботи Random Forest
• Переваги ансамблевих методів
• Налаштування гіперпараметрів

Ансамблеві методи: Random Forest та Gradient Boosting

• Принцип роботи Gradient Boosting
• Порівняння Random Forest та Gradient Boosting
• Налаштування гіперпараметрів

Тюнінг гіперпараметрів

• Огляд Grid Search і Random Search
• Байєсівська оптимізація

Feature engineering 1

• Date features
• Geo features
• Regular expressions
• Model output as a feature
• Web/ip features
• Feature selection techniques

Feature engineering 2 / NLP features

• Bag-of-words
• TF-IDF
• Hashing vectoriser
• Embedings Word2Vec
• Other features

Кластеризація та зменшення розмірності

• Реалізація K-means кластеризації
• DBSCAN
• Застосування PCA для зменшення розмірності

Аналіз часових рядів 1

• Тренди та сезонність
• Основи ARIMA
• Перетворення часових рядів

Аналіз часових рядів 2

• Побудова моделей прогнозування на XGBoost
• Аналіз точності
• Оптимізація моделей

Рекомендаційні системи 1

• Collaborative filtering: основи
• Методи user-based та item-based рекомендацій
• Використання бібліотек

Рекомендаційні системи 2

• Сontent-based рекомендації
• Гібридні системи

Деплоймент 1

• Вступ до Flask і FastAPI
• Створення REST API

Деплоймент 2

• Основи створення docker-контейнерів
• Інтеграція моделей у хмарні сервіси

Кар'єрний вебінар

• Як скласти резюме
• Підготовка до співбесід
• Пошук роботи в IT
• Відповіді на запитання студентів

Особливості курсу

• Живі заняття
• Real-life завдання
• Курсовий проєкт
• Регулярний фідбек
• Сертифікат за здобутки
• Можна повернути кошти протягом 7 днів від початку курсу

Викладачі курсу

Олена Касьяненко - Data Science Consultant at monobank

Програма курсу

Переднавчання

• Знайомство з академією
• Знайомство зі спікером курсу
• Програма та результати курсу
• Етапи та тривалість навчання
• Знайомство з платформою навчання
• Юридичні моменти
• Скільки часу доведеться витрачати на навчання
• Міфи про навчання

Введення в AI

• Що таке штучний інтелект (AI)
• Причини, чому інновації в AI поширюються із запаморочливою швидкістю
• Чим займається Prompt Engineer
• Базові принципи використання AI для вирішення проблем
• Чому потрібно починати занурення в Prompt Engineering зараз

Відкритий GPT

• Що таке OpenAI
• ChatGPT
• Плагіни, які використовуються в роботі
• Вивчена некомпетентність і спотворення
• Спеціальні великі мовні моделі, засновані на тексті
• Глобальне правове регулювання

Промптинг

• Основи промптингу
• Стилі промптингу
• Очищення та вивантаження запитів
• Інтерпретація виведених результатів
• Використання попередніх запитів
• Гіперпараметри

Створення зображень

• Введення у Midjourney
• Додаткові параметри в Midjourney
• Реалістичні скетчі (команда /describe)
• Практика роботи з Midjourney
• Робота з нейромережами: Stable Diffusion, Dall-E, Firefly
• Генеративна заливка в Adobe Photoshop, і як поділ ринку диктує метадані

Створення аудіо та відео

• Введення у створення відео
• Робота з програмами Synastesia, DeepMotion
• Майбутнє відео-продакшена
• Введення у створення аудіо та звуку
• Робота зі Speechify і схожими програмами
• Реальність у створенні звуку з тексту

Написання запитів з використанням коду

• Базові принципи роботи з кодом
• Огляд основних принципів роботи з SQL
• Базові принципи роботи з LangChain
• Вступ до компіляції
• Основи роботи з Python і Javascript
• Опис коду

Загальні поради та додаткові практики

• Перевірені практики написання запитів
• Найкращі практики в аудіовізуальних рішеннях
• Найкращі практики в написанні коду
• Взаємодія та колаборація з іншими командами
• Найкращі практики у створенні зображень
• Приклади готових запитів

Особливості курсу

• Можливість навчатись з будь-якої точки світу в зручний час
• Практика з перших занять і створення портфоліо
• Навчання систематизоване та проводиться досвідченими IT-ахівцями
• Практика з 3 тижня навчання
• Можливість отримати грант у розмірі 50% від ціни курсу
• Стажування на реальному проєкті