Курси Data Science та Machine learning

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

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

Програма курсу

Лекція: Технологічна обізнаність. Великі мовні моделі

• Можливості AI у 2023 році в бізнесі, фрілансі та повсякденному житті
• Технологічна грамотність LLM (велика мовна модель)
• Як працювати з ChatGPT. Огляд можливостей ChatGPT на реальних кейсах
• Приклади використання AI людьми з різних сфер
• Наслідки розвитку AI для бізнесу
• Лайфхаки для найліпших результатів використання AI

Лекція: Технологічна обізнаність. AI Art generation

• Арт генерація, яка доступна всім
• Можливості АІ art генерації у 2023 році
• Огляд сервісів та вибір кращих платформ: Leonardo AI, Midjourney
• Вчимось працювати з MidJourney and Leonardo.ai на реальних випадках Основи технології Stable difusion
• Приклади використання та ідеї реалізації АІ арт
• Підводні камені та найліпші практики

Воркшоп-інтенсив: ChatGPT i Art generation

• Практична сесія з людьми і їх кейсами
• Встановлення правильних додатків та плагінів
• Відповіді на питання
• Розбір домашніх завдань

Лекція: Інтеграція та використання AI сервісів в бізнесі

• Роль AI у заробітку та розвитку бізнесу
• Імплементація AI в різних галузях, включаючи маркетинг, банківську, страхову, юридичну, медичну, аграрну, ресторанну сфери та доставку товарів
• Переваги використання чат-ботів
• Вплив AI на міжнародний ринок, його роль у фрілансі та маркетингу
• Як AI допомагає підвищити конкурентоспроможність
• Генерація відео та використання AI для просування бренду
• Корисні плагіни для чату GPT, які полегшують його використання та сприяють ефективній комунікації

Лекція: Огляд програм для генерації відео

• Інструменти для генерації відео
• Реєстрація, огляд інтерфейсу та опцій, створення відео
• Основні практики для генерації відео
• Помилки при генеруванні відео

Воркшоп-інтенсив: Практична інтеграція основних ресурсів AI в роботу

• Сесія по інтеграції ChatGPT та інших інструментів в бізнес (базується на реальних бізнес задачах)
• Відповіді на питання
• Розбір домашніх завдань

Лекція: Які бувають візуалізації даних та їх небезпека

• Роль даних в AI
• Важливість вміння читати, розуміти та імплементувати дані
• Як правильно аналізувати та використовувати інформацію з різних джерел
• Виявлення патернів у великих обсягах інформації
• Як виявляти обмани та маніпуляції у даних
• Візуалізація даних, різні типи графіків
• Приклади реальних маніпуляцій на ТВ
• Як не дати Дата Аналітикам та інженерам вас обманути

Воркшоп-інтенсив: Аналіз даних та візуалізація з AI

• Аналіз необхідних даних для імплементації, деталі та нюанси використання АІ під ваші потреби
• Розуміння даних, їх природа, та маніпуляції з ними (на основі використання даних з соціальних мереж)
• Відповіді на питання
• Розбір домашніх завдань

Лекція: Кібербезпека

• Наявні та потенційні кібер загрози для бізнесу пов'язані із AI
• Основні запобіжні практики, що б не стати жертвою хакерської атаки
• Ред флеги, які свідчать, що перед вами хакери

Лекція: ChatGPT для юридичної сфери

• ChatGPT як інструмент для оптимізації рутинних завдань у роботі юриста
• Використання ChatGPT для спрощення процесів обробки документації, підтримки комунікації з клієнтами
• Ризики використання ChatGPT в юридичній сфері - виникнення непорозумінь, юридичних неточностей
• Розгляд найкращих практик автоматизації робочих процесів з використанням ChatGPT
• Хаки продуктивності, які дозволять юристам максимально використовувати потенціал ChatGPT

Воркшоп-інтенсив: Кібербезпека. Як захистити бізнес

• Які існують кіберзагрози для людей далеких від ІТ
• Як на практиці підняти захист ваших цифрових активів на ваших прикладах
• Відповіді на питання
• Розбір домашніх завдань

Лекція: No-code платформи

• Основні інструменти автоматизації, їх параметри
• Знайомство і використання no-code платформ

Лекція: Вступ до AI

• Чому LLM та MidJourney вплинули на всі сфери
• Як буде змінюватись бізнес і ринок з розвитком AI
• Інші види штучного інтелекту окрім GPT та Stable diffusion

Воркшоп: Кібербезпека, Етичність AI. GDPR та інші регуляції

• Що треба знати по кібербезпеці
• База по етичним проблемам використання LLM в бізнесі
• Що таке Bies in Data

Воркшоп: Купляти чи будувати AI

• Які є AI боти
• Використовувати готову модель, чи створити свою
• Інтеграція. Робочий процес. Підтримка в продакшені АІ проєктів

Воркшоп: Як зробити успішний AI проєкт

Як рахувати профіт проєктів з АІ та довгострокові нюанси.

Воркшоп: Всі питання групи та експерименти

Останній воркшоп на обговорення питань, які не покриті курсом, але дуже хочеться дізнатись.

Особливості курсу

• Доступ до записів занять
• Закритий чат студентів
• Домашні завдання
• Підтримка куратора
• Сертифікат після закінчення курсу
• Робочий конспект
• Доступ до лекцій протягом 6 місяців

Викладачі курсу

Борис Дрожак - Principal engineer (architector) at DataRobot

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

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

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

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

Цей курс показує, як застосовувати різні підходи та алгоритми для вирішення бізнес-проблем за допомогою Штучного Інтелекту та Машинного Навчання, використовуючи методичну роботу для розробки рішень на основі даних.

Програма курсу

Теми:

• Вирішення бізнес-проблем за допомогою Штучного Інтелекту та Машинного Навчання
• Підготовка даних
• Тренування, оцінка та налаштування моделі машинного навчання
• Побудова моделей лінійної регресії
• Побудова моделей прогнозування
• Побудова моделей класифікації за допомогою логістичної регресії та методу k-найближчого сусіда
• Побудова моделей кластеризації
• Побудова дерев рішень та випадкових лісів
• Побудова моделей машин опорних векторів
• Побудова штучних нейронних мереж
• Операціоналізація моделей машинного навчання
• Забезпечення операцій машинного навчання

Цей курс допоможе:

• Вирішувати задані бізнес-проблеми за допомогою Штучного Інтелекту та Машинного Навчання
• Готувати дані для використання в машинному навчанні
• Тренувати, оцінювати та налаштовувати модель машинного навчання
• Будувати моделі лінійної регресії
• Створювати моделі прогнозування
• Будувати моделі класифікації з використанням логістичної регресії та k-найближчого сусіда
• Будувати моделі кластеризації
• Створювати моделі класифікації та регресії за допомогою дерев рішень та випадкових лісів
• Створювати моделі класифікації та регресії з використанням опорних векторів машин (SVMs)
• Будувати штучні нейронні мережі для глибокого навчання
• Вводити моделі машинного навчання в експлуатацію за допомогою автоматизованих процесів
• Забезпечувати підтримку конвеєрів та моделей машинного навчання під час їхньої роботи в експлуатації

Особливості курсу

• Офіційні навчальні матеріали від CertNexus в електронному вигляді
• Ваучер для складання іспиту
• Доступ до середовища лабораторних робіт
• Сертифікат про проходження курсу