Курсы Data Science и Machine learning

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

Основи Python

Почнемо з вивчення Python - популярної мови програмування про дані та машинного навчання. Будемо вивчати базові принципи програмування, такі як змінні (типи даних, наприклад, числа, рядки, списки тощо), операції з ними (математичні операції, конкатенація тощо). Окрім того, навчимося працювати з функціями та модулями (як розбивати програму на частини для зручності), та класами (основи об'єктно-орієнтованого програмування).

Обробка даних у Python

Модуль навчить вас працювати з даними, що є основною задачею Data Science, індексувати (звертатися до окремих елементів в списках чи масивах). Також розглянемо обробку файлів (наприклад, CSV, Excel), як зчитувати дані з файлів та обробляти їх. Після цього ви зможете очищати дані від помилок, пропущених значень або непотрібних елементів.

Бібліотека Pandas

Це одна з найпопулярніших бібліотек для роботи з даними. Вона допомагає зберігати дані у табличних структурах, які називаються DataFrame. Познайомимось з методами очищення та попередньої обробки даних.

Matplotlib та Seaborn

Після обробки даних, ми перейдемо до їх візуалізації. Matplotlib - це бібліотека для створення графіків, а Seaborn - її розширення для зручнішого малювання. Візуалізація допомагає зрозуміти, що відбувається з даними.

Математика та статистичний аналіз

Математика та статистика, необхідні для роботи з даними. Ви дізнаєтесь, що таке множення матриць, вектори, середнє, медіана, дисперсія та як прогнозувати ймовірність подій. Це все важливо, тому що для побудови ефективних моделей машинного навчання потрібно розуміти ці концепції.

Введення до машинного навчання

Ми почнемо з життєвого циклу проєкту - від постановки задачі до тренування моделі. Ви дізнаєтесь, як поділити дані на тренувальний і тестовий набори (метод Train-test split, CV), як створювати pipeline - конвеєра машинного навчання.

Лінійна регресія

Лінійна регресія - це основний метод для прогнозування числових значень. Вона працює, припускаючи, що існує лінійний зв'язок між змінними (ознаками).

Логістична регресія

Логістична регресія використовується для задач класифікації. Вона дає ймовірність того, до якого класу належить об'єкт, і працює за принципом, що клас може бути "так" або "ні".

Дерево рішень (Decision Trees)

Дерево рішень розбиває дані на основі простих запитань, що дає уявлення про те, як можна класифікувати об'єкти. Ви вивчите, як використовувати дерево рішень для класифікації та регресії, а також як налаштовувати його для кращої ефективності.

K-Nearest Neighbor, KNN

KNN - алгоритм для класифікації даних, який використовує принцип, що схожі об'єкти знаходяться поруч. Тобто, для визначення, до якого класу належить новий об'єкт, алгоритм дивиться на найближчих сусідів.

Кластеризація даних

Процес поділу даних на групи, де об'єкти в кожній групі схожі між собою. Ми розглянемо K-means та GMM для кластеризації об'єктів за групами.

Метрики

Метрики дозволяють оцінювати, наскільки добре працюють моделі машинного навчання. Вивчите такі метрики, як точність (accuracy), precision (точність), recall (повнота), F1-score (комбінація точності і повноти) та AUC-ROC (криві для порівняння моделей).

Бустинг

Бустинг - це метод покращення точності моделей. Він комбінує слабкі моделі в сильну модель. Це може значно покращити результат.

Завершення розмірності та оптимізація гіперпараметрів

Ефективність моделей машинного навчання підвищується завдяки методам зменшення розмірності. Ми розглянемо методи зменшення вхідних ознак PCA, UMAP, t-SNE. Також ви дізнаєтесь, як налаштовувати параметри моделей (гіперпараметри), використовуючи методи оптимізації.

Нейронні мережі

Розділ охоплює основи Deep Learning - глибоких нейронних мереж. Ми навчимося створювати прості MLP (Multilayer Perceptrons) і розберемо їх використання в реальних задачах, таких як обробка зображень. Згодом ми познайомимось з CNN, нейромережею, призначеною для роботи з двовимірними зображеннями.

Tensorflow 2

TensorFlow - це бібліотека для створення складних моделей машинного навчання. Вона дозволяє швидко створювати та тренувати моделі, оптимізувати їх, а також зберігати та завантажувати готові моделі.

Google Colab

Google Colab - це хмарне середовище для тренування моделей, яке дозволяє вам використовувати потужні графічні процесори (GPU). Ми навчимося працювати з Colab для тренування моделей Deep Learning.

Natural Language Processing (NLP)

NLP - займається обробкою та аналізом текстових даних. Ми будемо використовувати бібліотеки NLTK і spaCy для обробки тексту: токенізації, лемматизації, виділення сутностей та багато іншого.

Особливості курсу

• Допомога ментора
• Практика
• Сертифікат про проходження курсу

Викладачі курсу

• Даніель Андерсон - Machine Learning Research Engineer
• Іван Гомонець - BI Tech Lead at GROWE
• Павло Чернега - Lead Machine Learning Engineer

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

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

Навчитеся будувати рішення з використанням моделей машинного навчання з допомогою Python для табличних і текстових даних. Зможете підбирати класну модель для даних і розумієте, як пріоритезувати експерименти в ході дослідження. В кінці ви будете мати оформлене резюме, портфоліо, LinkedIn, пройдете тестову співбесіду та будете розуміти, якими мають бути ваші покрокові дії аби досягнути своєї мети: знайти роботу в IT в напрямку Machine Learning або почати використовувати ML в своєї поточній роботі.

Програма курсу

Модуль 0. Основи Python для Data Science

• Змінні, типи даних та базові операції з числами й рядками
• Структури даних: списки, словники, кортежі та їх практичне застосування
• Умовні конструкції та цикли для автоматизації обробки даних
• Функції: створення, параметри та організація коду
• Ключові бібліотеки: NumPy, Pandas, Matplotlib для роботи з даними та візуалізацією

Модуль 1. Вступ до Data Science

Світ штучного інтелекту

• Що таке машинне навчання та як навчаються моделі
• Навігація в світі методів машинного навчання
• Процес розв'язку Data Science задач та інструменти для DS рішень

Дослідницький Аналіз Даних

• З чого почати дослідницький аналіз даних
• Обробка відсутніх значень та аналіз викидів
• Аналіз залежностей між категоріальними змінними

Бонусний модуль. Контроль версій коду. Git

• Що таке Git та чому він такий популярний. Встановлення і конфігурація
• Команди: робота з репозиторієм
• Гілки, pull-ріквести, merge та кращі практики коміту коду
• GUI, історія комітів та що не варто комітити

Модуль 2. Навчання з учителем

Лінійна та поліноміальна регресія. Методи оцінки точності прогностичної моделі

• Тестування статистичних гіпотез
• Підведення до задачі лінійної регресії
• Статистичні методи перевірки на гаусовість
• ЦГТ і пошук змінних-кандидатів для побудови лін. регресії
• Поняття лінії та пошук найкращої лінії, яка описує дані
• Вступ до лінійної алгебри. Робота з матрицями і векторами
• Математичне формулювання задачі лінійної регресії
• Припущення лін. регресії. Метод найменших квадратів
• Вимірювання якості регресійної моделі
• Градієнтний спуск для задачі лінійної регресії
• Лінійна регресія багатьох змінних. Виявлення статистичної значущості коефіцієнтів
• Використання категоріальних змінних у моделі машинного навчання
• Удосконалення моделі

Задача класифікації. Логістична регресія. Принцип роботи та методи оцінки якості

• Задачі класифікації. Математичне формулювання логістичної регресії
• Моделювання поліноміальної регресії
• Методи регуляризації в машинному навчанні

Розв'язок ML задачі step-by-step

• Задача класифікації з Scikit-Learn. Завантаження даних з Kaggle. Заповнення пропущених значень
• Масштабування числових ознак
• Навчання логістичної регресії в scikit-learn та оцінка якості класифікатора
• Класифікація нового значення. Збереження і завантаження моделі. Sklearn Pipelines

Стратегії вирішення дисбалансу класів у машинному навчанні

• Проблема дисбалансу класів. Random oversampling, undersampling та метод SMOTE
• Метод Adasyn, зв'язки Томека і комбінування oversampling з undersampling

Мультикласова та мультизначна класифікація

• Ансамблі моделей. Базові техніки
• Задачі мультикласової і мультизначної (multi-label) класифікації
• Вимірювання якості мультикласової класифікації. Приклад мультиклас і мультилейбл класифікації на даних

Дерева прийняття рішень

• Вступ до дерев прийняття рішень
• Принцип побудови дерев прийняття рішень
• Вибір критерія розбиття в процесі побудови дерева
• Умови зупинки в побудові дерева. Prunning. Як витягнути конкретні правила з дерева
• Майстер-клас з перенесення коду з jupyter notebook у Python модуль
• Навчання Decision Trees на практиці

Методи ансамблювання. Кросвалідація

• Метод крос-валідації для покращення якості моделі
• Оптимізація гіперпараметрів
• Класифікатор kNN (k-найближчих сусідів)
• Ансамблі моделей. Базові техніки
• Використання просунутих методів ансамблювання: Stacking та Bagging + MK з аналізом помилок класифікації
• Просунуті методи побудови ансамблів
• Алгоритми бустингу. Adaboost
• Градієнтний бустинг. XGBoost, LightGBM. Вибір алгоритму під задачу
• Демо використання бустингових моделей. Тюнінг гіперпараметрів з hyperopt

Аналіз часових рядів

• Вступ в аналіз часових рядів. Компоненти часових рядів
• Аналіз якості передбачень часових рядів. Автокореляція і часткова автокореляція в часових рядах
• Поняття стаціонарності. Знайомство з базовим функціоналом бібліотеки Darts
• Методи прогнозування часових рядів та їх застосування. Бейзлайн моделі для часових рядів. Exponential smoothing
• Моделі ARIMA/SARIMAX та Theta
• Facebook Prophet, RNN/LSTM, трансформери для прогнозування time series. Розгляд часових рядів з іншою природою
• Backtesting і аналіз помилок в аналізі часових рядів

Модуль 3. Навчання без учителя

Алгоритми кластеризації

• Вступ до алгоритмів кластеризації у Machine Learning
• KMeans: принцип роботи алгоритму та як визначити оптимальну кількість кластерів
• Ієрархічна кластеризація
• Метод кластеризації DBSCAN. Silhouette метрика для оцінки якості кластеризації

Методи пониження розмірності

• Вступ до пониження розмірностей даних у машинному навчанні
• Принцип роботи PCA
• Прикладне використання PCA. Візуалізація, зниження шуму, стиснення зображення та аналіз даних за допомогою PCA
• Побудова PCA вручну. Нелінійний алгоритм t-SNE

Основи побудови рекомендаційних систем

• Collaborative Filtering і принципи побудови рек. систем
• Рек. системи з fastai

Mini-term проєкт після 3-го модуля

Продемонструєте всі набуті навички з EDA, препроцесингу, вибору метрик, моделювання та інтерпретації результатів.

Модуль 4. Deep Learning & NLP

Вступ у NLP

• Вступ до Natural Language Processing
• Основи класифікації тексту
• Попередня обробка тексту та навчання ML моделі для класифікації
• Аналіз якості класифікації тексту
• Векторизація тексту за допомогою TF-IDF

Парсинг та аналіз тексту

• Робота з HTML та веб-сторінками. Парсинг та аналіз вакансій
• Принцип роботи PПобудова WordCloud. Очищення тексту з ChatGPTCA
• N-грами для аналізу мови

Вступ у Deep Learning

• Вступ до нейронних мереж
• Вступ у PyTorch. Backpropagation
• Будуємо першу нейронну мережу з PyTorch
• Feed-forward Neural Networks

Глибоке навчання для моделювання послідовностей

• Моделювання послідовностей. Принцип роботи рекурентних нейронних мереж
• Як влаштована RNN всередині
• Критерії дизайну рекурентних нейронних мереж
• RNN з 0: задача і кодування вхідних даних
• RNN з 0: тренування моделі
• Процес роботи з RNN "по-дорослому": обробка моделі на простих даних і дебаг моделі
• Тренування та аналіз моделі з PyTorch RNN-cell
• Розпаралелювання обробки послідовностей у нейронних мережах. Архітектура трансформера

Модуль 5. Основи деплойменту

• Вступ до MLOps
• Що необхідно врахувати після готовності моделі
• Способи розгортання ML моделі
• Практичний гайд з деплою ML-моделі на Streamlit

Модуль 6. Створення додатків на основі LLMів

• Алгоритм створення додатків з використанням мовних моделей
• Використання LLMів з бібліотекою Langchain: Промпти і ланцюги
• Langchain Agents
• Робота з пам'яттю в Langchain
• Моделі Hugging Face: Порівняння мовних моделей в Langchain
• Побудова додатку з використанням Retrieval Augmented Generation (RAG)
• Майстер клас "Побудова мультиагентних систем з LangGraph"

Модуль 7. Працевлаштування

• Як створити ексклюзивне резюме
• LinkedIn, який працює на вас
• Оформлення WOW-портфоліо для Data Science спеціаліста
• Огляд платформи для пошуку роботи Djinni. Реєстрація. Пошук вакансій
• Лайфхаки успішного проходження співбесід
• 250+ питань до технічної співбесіди з відповідями
• Гайд "Платформи для пошуку фріланс-проєктів і фултайм роботи в Україні і країнах Європи"

Додатковий модуль SQL

Основи SQL та Реляційних баз даних

• Що таке SQL та реляційна база даних?
• Термінологія, Зв'язки та Діалекти в SQL
• Синтаксис SQL
• Як користуватись SQL Practice. Приклади найпростіших запитів

Практика роботи з даними в SQL

• Запити з однієї бази. Фільтрація
• Робота з рядками та датами
• Домашнє завдання №1 на практику SQL
• Робота з JOINs: Пояснення та перші приклади
• Використання JOIN та CASE WHEN
• Об'єднання за допомогою UNION
• Домашнє завдання №2 на практику SQL

Підключення до бази даних в Python

• Завантаження бази даних локально
• SQL-скрипт та SQL Client
• Підключення до бази в Python: connection, cursor
• Домашнє завдання №3 Python + SQL
• Читання даних за допомогою Pandas
• INSERT, DELETE, UPDATE та close connection
• Classicmodel database (orders)
• Бонус. SQL in Pandas
• Домашнє завдання №4 Pandas + SQL

Фінальний проєкт

• Студенти обирають цікавий для себе набір даних
• Роблять дослідження, візуалізацію даних
• Створюють інтерактивні дашборди
• Використовують SQL, Python, BI-інструмент
• Роблять оформлення за рекомендаціями

Особливості курсу

• Продумана проєктно-орієнтована програма, після якої дійсно можна працевлаштуватись на позицію Machine Learning Engineer в ІТ
• Короткі уроки до 30 хв з практикою після кожного невеликого блоку
• Зручна платформа: всі уроки, домашки, тести і перевірки ДЗ в одному місці
• Супровід на кожному етапі
• Практика на даних як В РЕАЛЬНІЙ РОБОТІ - НЕіграшкові набори даних. Це основний недолік більшості курсів, що люди вчаться на іграшкових даних, а потім в реальному житті нічого не можуть зробити. В мене не так
• 2 рази на тиждень QA зідзвони для обговорення питань та прибирання блокерів
• За курс ви розв'яжете більше 23х повноцінних ML задач в лекціях і в ДЗ й отримаєте ДУЖЕ детальний розбір
• Окремий модуль з працевлаштування - все, що потрібно знати, аби знайти роботу
• Сертифікат про проходження курсу

Викладачі курсу

Ганна Пилєва - Senior Machine Learning Engineer, Consultant

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