Курси Data Science та Machine learning

Курс "Python та нейронні мережі" - навчання з нуля до першого проєкту» допоможе тобі розібратися з сучасними інструментами та зробити перші практичні кроки у сфері AI. Спочатку ти вивчиш основи Python і отримаєш базу для роботи з даними. Далі перейдеш до Data Science: навчишся аналізувати, візуалізувати та готувати дані для машинного навчання, а потім познайомишся з нейронними мережами. Фінал курсу - власний ML-проєкт, де ти пройдеш весь шлях: від підготовки даних до запуску моделі з вебінтерфейсом.

Програма курсу

Основи Python

Знайомство та базові конструкції

• Вступ до Python
• Що таке Python, його застосування, огляд синтаксису
• Установка Python та середовища (Jupyter, VS Code)
• Виведення на екран (print), змінні, типи даних, числові типи, рядки, булеві значення
• Арифметика та базові операції
• Основні математичні операції, порядок виконання, присвоєння
• Булева логіка і оператори порівняння (==, !=, >, <, and, or, not)
• Умовні оператори if, elif, else, вкладені умови, скорочений запис
• Методи роботи з рядками len(), upper(), lower(), split(), replace(), f-string

Структури даних, цикли, функції

• Списки та базові структури даних
• list, tuple, set, dict - огляд і базові операції
• Цикли for, while, break, continue, range()
• Ітерація по списках, словниках
• Генератори списків
• Функції: def, аргументи, return, позиційні та іменовані аргументи, *args, **kwargs
• Область видимості змінних
• Обробка винятків: try/except, базові типи помилок
• Імпорт модулів та бібліотек (import, from...import)
• Стандартні бібліотеки: math, random, datetime

Міні-проєкти

• Калькулятор з різними операціями
• Робота з рядками та форматування
• Введення/виведення даних
• Менеджер завдань (to-do list)
• Аналіз частоти слів у тексті
• Прості ігри (вгадай число)

Python for Data Science

Бібліотеки NumPy, Pandas, Matplotlib

• NumPy та Pandas
• Масиви NumPy, базові операції, reshape, індексація, зрізи, операції над масивами
• Series та DataFrame: створення, фільтрація, агрегація
• Імпорт/експорт даних (CSV, Excel)
• Очищення даних
• Пропущені значення, дублі, категорії
• Робота з датами, текстом, кодування
• Візуалізація даних
• Matplotlib /Seaborn. Побудова графіків: лінійні графіки, гістограми, діаграми розсіяння
• Налаштування підписів осей, легенд, збереження графіків

Міні-проєкти

• Математичні обчислення, обробка даних
• Аналіз CSV, очищення даних, групування
• Створення дашбордів, візуалізація трендів

Робота з реальними даними: аналіз датасетів

• Завантаження відкритого датасету (Kaggle, UCI), огляд
• Первинний аналіз даних: describe(), info(), візуалізація розподілу
• Обробка пропусків, категоріальних даних (fillna, dropna, map, get_dummies)
• Агрегація та групування (groupby, agg, pivot_table)
• Попередня підготовка для ML
• Нормалізація, стандартизація, розділення train/test

Практика над датасетами: повний цикл обробки даних

• Від завантаження до підготовки для навчання моделі
• Класифікація (напр. ірис, цифри), регресія (вартість житла)
• Аналіз якості даних
• Outliers, кореляція ознак, побудова heatmap

Міні-проєкти

• Аналіз COVID-19 статистики
• Дослідження ринку нерухомості
• Аналіз соціальних мереж

Вступ до нейронних мереж

Теорія нейромереж. Математичні основи

• Базові поняття: штучний нейрон, шар, активація, навчання, ваги
• Де застосовують НН (класифікація, регресія, генерація даних)
• Повнозв'язна (Dense) мережа
• Приклади базових моделей на Keras/TensorFlow або PyTorch

Побудова першої моделі

Побудова простої мережі, запуск навчання, оцінка точності.

Міні-проєкти

• Реалізація персептрона з нуля
• Розпізнавання цифр MNIST
• Передбачення цін на житло

Архітектури нейронних мереж

Огляд архітектур нейронних мереж

• Рекурентні нейронні мережі (RNN)
• Класифікація зображень CIFAR-10
• Послідовності, LSTM, GRU
• Для послідовностей, базова теорія, приклади
• Згорткові нейронні мережі (CNN)
• Базові поняття для обробки зображень
• Інші модифікації
• Dropout, BatchNorm, різні функції активації

Запуск та аналіз різних архітектур

• Приклади з готовими датасетами
• Міні-проєкти
• Передбачення акцій
• Генерація тексту
• Аналіз настроїв

Методи навчання нейронних мереж

Огляд методів навчання нейронних мереж

• Оптимізація та регуляризація
• Просунуті методи
• Deployment та MLOps
• Порівняння методів, кейси їх застосування
• Порівняння оптимізаторів
• Боротьба з перенавчанням
• Hyperparameter tuning
• Ансамблі моделей
• Cross-validation для НМ
• Метрики якості
• Flask API для моделі
• Dockerизація додатка
• Моніторинг моделей

Робота з готовими моделями

• Завантаження, використання і донавчання попередньо навчених (pre-trained) моделей
• HuggingFace, TensorFlow Hub
• Transfer Learning
• Використання для задач класифікації на малих датасетах

Фінальний проєкт. Повний ML pipeline: від збору даних до deployment моделі з вебінтерфейсом

Вибір теми фінального проєкту та його реалізація

• Постановка задачі
• Вибір/надання датасету (Kaggle), визначення мети (класифікація/регресія)
• Розробка повного пайплайну
• Передобробка даних, побудова моделі, навчання, валідація
• Оцінка результатів
• Досягнення заданої точності, аналіз помилок

Захист проєкту

• Демонстрація рішення
• Пояснення вибору архітектури
• Короткий виклад результатів

Навички, які отримаєш після курсу

• Працювати з даними: аналізувати, візуалізувати, очищати, фільтрувати та готувати їх для нейронних мереж
• Створювати та тренувати прості нейронні мережі на власних пристроях або в Google Colab
• Розробляти повноцінний ML-проєкт від підготовки даних до запуску моделі з вебінтерфейсом
• Конструювати нейронні мережі відомих поширених архітектур для локальних завдань, що не потребують серверних потужностей
• Писати на Python власні автоматизовані скрипти
• Використовувати набуті знання як міцний бекграунд для подальшої AI-розробки та роботи у сфері Data Science

Особливості курсу

• Допомога ментора
• Практика
• Підтримка
• Зворотній зв'язок
• Курсовий проєкт
• Проєкт в портфоліо
• Сертифікат про проходження курсу

Викладачі курсу

Олександр Штикало - Python Developer, Аспірант та старший інженер

Курс розглядає використання рішень для машинного навчання в хмарному масштабі за допомогою Azure Machine Learning. Цей курс навчає використанню наявних знань Python і машинного навчання для управління отриманням і підготовкою даних, для навчання і розгортання моделей, і моніторингу рішень для машинного навчання в Microsoft Azure. Курс буде корисним компаніям, які перенесли великий обсяг даних в Azure, планують використовувати Data Lake, структурувати та централізовано обробляти дані.

Програма курсу

Створення рішення для машинного навчання

• Розробка стратегії прийому даних для проєктів машинного навчання
• Розробка навчального рішення моделі машинного навчання
• Розробка моделі рішення для розгортання
• Створення рішення для операцій машинного навчання (MLOps)

Дослідження робочої області Azure Machine Learning

• Знайомство з ресурсами та активами робочої області Azure Machine Learning
• Дослідження інструментів розробника для взаємодії з робочим простором
• Надання доступу до даних в Azure Machine Learning
• Робота з обчислювальними цілями в Azure Machine Learning
• Робота з середовищами в Azure Machine Learning

Робота з Azure Machine Learning

• Дослідження автоматизованого машинного навчання
• Пошук найкращої моделі класифікації за допомогою автоматизованого машинного навчання
• Відстеження навчання моделей у блокнотах Jupyter за допомогою MLflow

Оптимізація навчання моделі в Azure Machine Learning

• Запуск навчального сценарію як командне завдання в Azure Machine Learning
• Відстеження навчання моделі за допомогою MLflow на робочих місцях
• Виконання налаштування гіперпараметрів за допомогою Azure Machine Learning
• Запуск конвеєрів у Azure Machine Learning

Керування та оцінювання моделі в Azure Machine Learning

• Реєстрація моделі MLflow в Azure Machine Learning
• Створення і вивчення дашборда Responsible AI для моделі в Azure Machine Learning

Розгортання та використання моделі за допомогою Azure Machine Learning

• Розгортання моделі на керованій онлайн-кінцевій точці
• Розгортання моделі у пакетній кінцевій точці

Після курсу слухачі зможуть:

• Використовувати мову програмування Python для машинного навчання в Microsoft Azure
• Управляти отриманням та підготовкою даних, навчанням та розгортанням моделей, а також моніторингом рішень машинного навчання в хмарі
• Отримати досвід роботи з Scikit-Learn, PyTorch та Tensorflow

Особливості курсу

• LIVE-навчання незалежно від формату участі в курсі (очно/віддалено)
• Електронні матеріали Microsoft
• Попередньо налаштоване середовище та навчання на сучасному обладнанні
• Електронний сертифікат Microsoft
• Обід та кава-брейки (очний курс)
• Консультації тренера протягом 6-ти місяців після закінчення курсу

З цього курсу учні дізнаються, як виявляти та збирати вимоги, залучати профільних фахівців та зацікавлених осіб, інтерпретувати вимоги та налаштовувати рішення та програми Microsoft Power Platform. Крім вивчення теорії, учнів чекають практичні заняття, на яких вони будуть поліпшувати додатки, створювати власні способи взаємодії з користувачами, здійснювати інтеграцію систем, перетворення даних, автоматизацію процесів користувача і візуалізації.

Програма курсу

Початок роботи з Dataverse

• Створення та керування середовищами в Dataverse
• Створення таблиць у Dataverse
• Управління таблицями в Dataverse
• Створення стовпців у таблиці в Dataverse та керування ними
• Робота з варіантами вибору в Dataverse
• Завантаження/експорт даних та створення розрізів даних у Dataverse
• Підключення до інших даних у додатку на основі полотна Power Apps

Управління дозволами та адмініструванням Dataverse

• Початок роботи з концепціями безпеки в Dataverse
• Початок роботи з ролями безпеки в Dataverse
• Використання параметрів адміністрування для Dataverse

Візуалізація, імпорт та експорт даних Microsoft Dataverse

• Візуалізація даних за допомогою Dataverse
• Використання Power Query для завантаження даних у Dataverse
• Використання шаблону Microsoft Word та Excel з Dataverse
• Експортування даних з Dataverse та використання Microsoft Excel для редагування записів
• Використання Azure та зовнішніх інструментів для керування даними

Створення зв'язків, бізнес-правил, обчислення та зведені дані в Dataverse

• Створення зв'язків між таблицями в Dataverse
• Визначення та створення бізнес-правил у Dataverse
• Створення та визначення стовпців обчислень або відомості у Dataverse

Створення програми на основі полотна в Power Apps

• Початок роботи з програмами Power Apps на основі полотна
• Налаштування програми на основі полотна в Power Apps
• Створення інтерфейсу користувача в застосунку на основі полотна в Power Apps
• Навігація в застосунку на основі полотна Power Apps
• Керування програмами в Power Apps
• Створення програми, оптимізованої для мобільних пристроїв, з Power Apps

Використання інтерфейсу користувача та елементів управління в застосунку на основі полотна в Power Apps

• Навігація в застосунку на основі полотна Power Apps
• Створення інтерфейсу користувача в застосунку на основі полотна в Power Apps
• Використання та розуміння елементів управління у застосунку на основі полотна в Power Apps
• Документування та тестування вашого застосунку Power Apps

Використання базових формул для покращення програм Power Apps на основі полотна

• Створення формул для зміни властивостей у застосунку на основі полотна Power Apps
• Створення формул для зміни поведінки у програмі Power Apps на основі полотна
• Створення базової формули, що використовує таблиці та записи в застосунку Power Apps на основі полотна

Робота з веб-сайтами Power Pages

• Відвідування дизайн-студії Power Pages
• Вивчення даних Power Pages та функції безпеки
• Робота з метаданими Power Pages
• Інтеграція веб- сайтів Power Pages з Dataverse
• Робота з мовою шаблонів Liquid у Power Pages
• Налаштування безпеки Power Pages
• Створення досвіду користувача в Power Pages

Розширення Power Pages

• Доступ до Dataverse на веб-сайтах Power Pages
• Розширення веб-сайтів Power Pages
• Створення власних веб-шаблонів Power Pages

Адміністрування Power Page

• Адміністрування Power Pages
• Інтеграція Power Pages з веб-технологіями
• Аутентифікація та керування користувачами в Power Pages
• Підтримка та усунення несправностей Power Pages

Інтеграція потоків Power Automate та Dataverse

• Використання тригерів та дій Dataverse у Power Automate
• Розширення Dataverse за допомогою Power Automate

Підтвердження навичок функціонального консультанта Power Platform

• Створення таблиць у Dataverse
• Початок роботи з програмами на основі моделі в Power Apps
• Початок роботи з програмами Power Apps на основі полотна
• Початок роботи з Power Automate
• Завдання проєкту: створення додатків та рішень для автоматизації

Після курсу слухачі зможуть:

• Працювати з організацією для збору вимог та реалізовувати рішення Microsoft Power Platform
• Створювати додатки на основі моделі, полотна та порталу
• Створювати потоки Power Automate
• Розробляти прості чат-боти з використанням Power Virtual Agents
• Аналізувати дані з використанням засобів візуалізації та панелей моніторингу Power BI

Особливості курсу

• LIVE-навчання незалежно від формату участі в курсі (очно/віддалено)
• Електронні матеріали Microsoft
• Попередньо налаштоване середовище та навчання на сучасному обладнанні
• Електронний сертифікат Microsoft
• Обід та кава-брейки (очний курс)
• Консультації тренера протягом 6-ти місяців після закінчення курсу

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

Курс орієнтований на економістів, аналітиків, власників бізнесу, або ж студентів математичних, економічних та комп'ютерних спеціальностей. Навчання теорії проводиться паралельно з практикою. Домашні завдання з написанням алгоритмів, скриптів і т.д., а також навчальний проєкт. Отримані на курсі знання та навички дозволяють працювати за спеціальністю Data Science.

Програма курсу

Базові навички в IPython

• Робота з IPython
• Арифметичні операції
• Базові об'єкти:
  • Послідовності
  • Відображення
  • Інші базові об'єкти
• Функції в Python
• Функціональне програмування

Математика для аналізу даних

• Основні поняття математичного аналізу
• Вектори і матриці
• Операції над векторами та матрицями

Збір даних

• Робота з файлами
• CSV
• Робота з базами даних
• Робота з JSON, XML
• Використання API

Робота з масивами Numpy

• Масиви в Numpy
• Агрегація
• Операції над масивами
• Сортування масивів

Підготовка даних з Pandas

• Об'єкти бібліотеки
• Індексація
• Операції з об'єктом
• Агрегація та об'єднання
• Зведені таблиці
• Часові ряди

Основи візуалізації даних

Класифікації основних графіків та їх застосування.

Візуалізація з Matplotlib

• Лінійні графіки
• Графіки розсіювання
• Гістограми
• 3D - графіки
• Відображення географічних даних

Візуалізація за допомогою Tableau/Power BI

• Порівняння Tableau та Power BI
• Візуальна аналітика
• Розробка повноцінного дашборда

Статистичний аналіз та scipy

• Основні означення
• Нормальний розподіл
• Центральна гранична теорема
• Розподіл Стьюденса
• Статистика в scipy
• Перевірка гіпотез

Введення в машинне навчання

• Навчання з учителем
• Навчання без учителя
• Навчання з підкріпленням
• Налаштування параметрів
• Оцінка результатів

Лінійні моделі

• Методологія та застосування моделей
• Лінійна регресія
• Множинна регресія
• Логістична регресія
• Метод опорних векторів

Ансамблеві моделі

• Методологія та застосування моделей
• Дерево прийняття рішень
• Random forest

Кластеризація

• Методологія та застосування моделей
• Метод k-середніх
• Агломеративний алгоритм
• DBSCAN

Аналіз соціальних мереж

• Методологія та застосування алгоритму
• Рейтинг PageRank

Асоціативні зв'язки

• Основні поняття
• Алгоритм Apriory

Основи нейронних мереж

• Основні поняття
• Навчання нейронної мережі

Архітектура нейронних мереж

• Базові поняття
• Види нейронних мереж
• Бібліотека Tensorflow
• Класифікації зображень

Особливості курсу

• Вечірні заняття
• Велика кількість практичних завдань
• Постійний фідбек від тренера
• Навчальний проєкт
• Сертифікат після успішного закінчення навчання

Викладачі курсу

• Євген Страхов - Data Analyst & Math Consultant
• Ігор Бондарчук - к.т.н., доцент кафедри комп'ютерних наук, завідувач кафедри комп'ютерних наук ТНТУ ім. Івана Пулюя
• Марія Мазорчук - Senior Data Scientist, SSA Group
• Станіслав Логвіненко - Data Scientist
• Ігор Бетлей - Data analyst в ТОВ "Агросем" та data scientist PM Partners

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