Курсы Data Science и Machine learning

Фильтр
Мы нашли для вас 55 курсов
Курс

Data Science and Machine Learning: Essentials – Мир Современного Образования

Світ Сучасної Освіти
Формат
Online
Начало занятий
27.07.2026
Длительность
21 часов
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
21 000 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
Мир Современного Образования
Подать заявку
Подробнее

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
Подать заявку
Экспресс-курс

Міні-курс "Як увійти в ML з потенціалом ЗП до $12к/міс: фінансовий ІТ-прорив, захист від ШІ та нові цікаві задачі" – Data Loves Academy

Data Loves Academy
Формат
Online
Начало занятий
Любой момент
Длительность
3 занятий
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
Безкоштовно
Гибкий график
  • Data Science / Machine learning / AI
Data Loves Academy
Подать заявку
Подробнее

Дізнаєтесь, як обрати напрямок роботи в машинному навчанні, який підходить саме вам. Та які навички потрібні для старту, щоб побудувати успішну кар'єру.

Програма курсу

Чому ML - це ваш шлях до фінансового прориву, професійного розвитку і безпеки в ШІ-еру

  • Що таке Machine Learning
  • Чому саме зараз ідеальний момент аби почати?
  • Чи є фінансова стеля у напрямку ML?
  • На який рівень зарплати ви можете орієнтуватися в Україні та Європі?

ML vs Data Science vs AI: який шлях дасть швидший результат з Вашим досвідом

  • Які існують напрями в ML
  • Як обрати вдались напрям для себе
  • Скільки часу потрібно для освоєння ML стартуючи з вашого рівня
  • Та які навички необхідно мати аби стати повноцінним ML-фахівцем

Типові помилки початківців, як їх уникнути та точно дійти до результату в ML

  • Яких типових (та фатальних) помилок припускаються 97% початківців в освоєнні ML
  • Як уникнути цих помилок, не втратити марно роки на навчання, та досягнути результату!
  • Чіткий план дій для розвитку в ML

Особливості курсу

  • 3 відеоуроки та квіз для закріплення знань
  • Міні-курс в Telegram-боті
  • Старт відразу після реєстрації
  • Гнучкий графік навчання
Подать заявку
Курс

Machine Learning – Hillel IT school

Hillel IT school
Формат
Online
Начало занятий
01.06.2026
Длительность
20 занятий
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
14 500 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
Hillel IT school
Подать заявку
Подробнее

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

Програма курсу

Introduction to Machine Learning

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

Machine Learning Basic Tool: NumPy

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

Machine Learning Basic Tool: Pandas

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

Data Visualization

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

Linear Regression & Regularization

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

Logistic Regression & Machine Learning Metrics

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

Tree Based Models

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

SVM & Clustering

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

Dimensionality Reduction

Recommender Systems

Introduction to Deep Learning

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

Deep Learning: Layers

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

Deep Learning: Optimization

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

Introduction to Computer Vision

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

Computer Vision: Classification Models

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

Computer Vision: Segmentations Models

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

Computer Vision: Object Detection

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

Introduction to Natural Language Processing

Natural Language Processing: Embeddings

Transformers

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

Reinforcement Learning

Особливості курсу

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

Викладачі курсу

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

Data Science – Sigma Software University

Sigma Software University
Формат
Online
Начало занятий
10.03.2026
Длительность
10 недель
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
17 900 UAH за курс
Вечерние занятияВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
Sigma Software University
Подать заявку
Подробнее

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
Подать заявку
Курс

Machine Learning для людей – Data Loves Academy

Data Loves Academy
Формат
Online
Начало занятий
28.04.2026
Длительность
8 месяцев
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
уточняйте
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
Data Loves Academy
Подать заявку
Подробнее

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

Подать заявку
Курс

Data Science and Machine Learning з Python – SoftServe Academy

SoftServe Academy
Формат
Online
Начало занятий
18.05.2026
Длительность
10 недель
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
9 499 UAH за курс
Вечерние занятияВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
SoftServe Academy
Подать заявку
Подробнее

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

Подать заявку
Курс

AI для бізнесу – UAMASTER

UAMASTER
Формат
Online
Начало занятий
Дата формируется
Длительность
2 месяцев
Уровень
Для начинающих, Для опытных
Язык обучения
Ukrainian
Стоимость
4 100 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
UAMASTER
Подать заявку
Подробнее

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

Подать заявку
Видеокурс / Платформа
Рекомендуем

Ok, Data! – IAMPM

IAMPM
Формат
Online
Начало занятий
Дата формируется
Длительность
11 занятий
Уровень
Для начинающих, Для опытных
Язык обучения
Ukrainian
Стоимость
уточняйте
Гибкий графикВыдаётся диплом/сертификат
  • Data Science / Machine learning / AI
IAMPM
Подать заявку
Подробнее

Курс Data Science для нетехнічних спеціалістів. Після закінчення навчання ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту.

Програма курсу

Вступна лекція. Робота з даними

  • Розберемося, які існують типи даних і чому вони важливі для проєкту
  • Дізнаємося, де можна брати дані, як всередині вашого проєкту, так і за його межами
  • Розглянемо, які види Data Science існують
  • Порівняємо позиції Data Engineer та Data Analyst і дізнаємося їхні основні відмінності, а також де закінчується їх зона відповідальності і починається робота менеджера
  • Проведемо воркшоп із підготовки даних для тренування моделі на прикладі e-commerce

Написання SQL запитів

  • Вивчимо основні артефакти даних: бази даних, таблиці, атрибути
  • Поговоримо про Big Data і яку користь від цього можна мати
  • Розглянемо, коли використовувати SQL, а коли віддати перевагу NoSQL
  • Попрактикуємось в написанні базових запитів:
    • Вчимося створювати вибірки даних (SELECT)
    • З'єднуємо таблиці (JOIN)
    • Збираємо дані (AGGREGATIONS)

Вибір правильного підходу в DS

Дізнаємося, які завдання можна вирішити за допомогою DS\ML і що потрібно для початку впровадження технології у своєму проєкті, розібравши:

  • Як визначити проблему для вирішення
  • Як сформувати гіпотезу зростання
  • Як оцінити вплив гіпотези на продукт
  • Які бізнес ресурси потрібні для початку роботи над гіпотезою

Побудова моделі

  • Типова архітектуру DS\ML проєкту
  • Будуємо модель власноруч, щоб зрозуміти, як створити MVP вашого Data Science проєкту
  • Оцінюємо результат роботи моделі. Критерії якості моделі та підсумки роботи Machine Learning команди
  • Визначаємо Machine Learning моделі для чотирьох типів завдань:
    • Ціноутворення
    • Класифікація відгуків
    • Розпізнавання зображення
    • Побудова чат-бота

Побудова Machine Learning команди всередині компанії

  • Побудова Machine Learning команди і кого треба наймати для створення MVP вашого проєкту
  • Зони відповідальності на етапі MVP і за повного циклу розробки. Визначимо, як впроваджувати Data Science в вашому проєкті або продукті
  • Розглядаємо Agile практики з управління DS/ML проєктами і чим вони відрізняються від традиційної розробки

Data Science для розрахунку LTV

  • Обговоримо поняття статистичної значущості. Робимо прогноз LTV за допомогою статистичних методів
  • Зробимо аналогічний прогноз LTV за допомогою DS методів
  • Проаналізуємо нюанси передбачення відтоку клієнтів (churn)
  • Вчимося приймати рішення на основі прогнозів за допомогою churn моделей
  • Як сегментування клієнтів разом із передбаченням LTV і відтоку клієнтів може допомогти в оптимізації бізнесу

NLP для оптимізації Support команди

  • Обговоримо, як за допомогою методів обробки природної мови та active learning оптимізувати роботу відділу підтримки клієнтів
  • Розберемося, як впровадити їх у себе в проєкті
  • Застосуємо кілька алгоритмів, які допоможуть з визначенням тем і обробкою коментарів
  • Розглянемо, коли краще використовувати алгоритми навчання без вчителя

Візуалізація даних

Основні інструменти для візуалізації:

  • Excel
  • Tableau
  • PowerBI
  • QlikView
  • Pentaho
  • Birst

Візуалізація даних за допомогою Power BI

  • З'єднуємо джерела
  • Створюємо діаграми
  • Використовуємо фільтри і агрегацію
  • Налаштовуємо dashboards
  • Розбираємося з delivery і експортом

Впровадження NLP в компанію

  • Стандартний NLP pipeline
  • Поставлене бізнес завдання і процес впровадження конкретного рішення з вибором компонентів
  • Розмітки даних для тренінгу, тренінг DNN, використані метрики
  • Інтеграція технічного рішення з інфраструктурою бізнесу

Особливості курсу

  • Курс розрахований на поглиблення навичок для Project Managers, Product Managers, Business Analysts, Business Owners
  • Викладачі мають великий досвід роботи у різних компаніях
  • Персональні консультації по розвитку кар'єри
  • Рекомендації по покращенню резюме та портфоліо
  • Допомога в пошуку релевантних вакансій
  • Можливе повернення коштів після двох занять, якщо не сподобається

Викладачі курсу

  • Сергій Брандіс - Co-founder AI в startup Aidrome
  • Кирило Юрченко - DS Architect в GlobalLogic
  • Сергій Пінігін - Director of Product в Adwiser
Подать заявку
Курс

Generative AI for Developers – SET University

SET University
Формат
Online
Начало занятий
11.02.2026
Длительность
3 месяцев
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
40 500 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
SET University
Подать заявку
Подробнее

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
Подать заявку
Курс

Проєктування даних в Microsoft Azure – Networking Technologies

Networking Technologies
Формат
Online
Начало занятий
16.03.2026
Длительность
4 дней
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
уточняйте
Занятия целый деньВыдаётся диплом/сертификатСопровождение ментора
  • Cloud technologies
  • Data Science / Machine learning / AI
Networking Technologies
Подать заявку
Подробнее

З курсу слухачі дізнаються про шаблони і методи проектування даних, пов'язаних з роботою з пакетними аналітичними рішеннями і рішеннями в реальному часі з використанням технологій платформи даних Azure. Слухачі вивчать, як спроектувати аналітичні рівні обслуговування, і зосередяться на питаннях проектування даних для роботи з файлами. Слухачі дізнаються, як інтерактивно досліджувати дані, що зберігаються в файлах в Azure Data Lake.

Програма курсу

Вивчення варіантів обчислень і зберігання для робочих навантажень проектування даних

  • Вступ до Azure Synapse Analytics
  • Опис Azure Databricks
  • Вступ до сховища Azure Data Lake
  • Опис архітектури Delta Lake
  • Робота з потоками даних за допомогою Azure Stream Analytics

Розробка і впровадження рівнів обслуговування

  • Розробка багатовимірної схеми для оптимізації аналітичних робочих навантажень
  • Масштабоване перетворення без коду за допомогою Azure Data Factory
  • Заповнення повільно мінливих вимірювань в конвеєрах Azure Synapse Analytics

Питання проєктування даних для вихідних файлів

  • Розробка сучасного сховища даних за допомогою Azure Synapse Analytics
  • Захист сховища даних в Azure Synapse Analytics

Виконання інтерактивних запитів з використанням безсерверних пулів SQL в Azure Synapse Analytics

  • Вивчення можливостей безсерверних пулів SQL в Azure Synapse
  • Запит даних в озері за допомогою безсерверних пулів SQL Azure Synapse
  • Створення об'єктів метаданих в безсерверних пулах SQL Azure Synapse
  • Захист даних і керування користувачами в безсерверних пулах SQL Azure Synapse

Дослідження, перетворення і завантаження даних в сховище даних за допомогою Apache Spark

  • Розуміння проектування великих даних за допомогою Apache Spark в Azure Synapse Analytics
  • Отримання даних за допомогою записників Apache Spark в Azure Synapse Analytics
  • Перетворення даних за допомогою DataFrames в пулах Apache Spark в Azure Synapse Analytics
  • Інтеграція пулів SQL і Apache Spark в Azure Synapse Analytics

Дослідження і перетворення даних в Azure Databricks

  • Опис Azure Databricks
  • Читання і запис даних в Azure Databricks
  • Робота з DataFrames в Azure Databricks
  • Робота з розширеними методами DataFrames в Azure Databricks

Отримання і завантаження даних в сховище даних

  • Використання кращих практик щодо завантаження даних в Azure Synapse Analytics
  • Прийом петабайт за допомогою Azure Data Factory

Перетворення даних за допомогою Azure Data Factory або Azure Synapse Pipelines

  • Інтеграція даних з Azure Data Factory або Azure Synapse Pipelines
  • Масштабоване перетворення без коду за допомогою Azure Data Factory або Azure Synapse Pipelines

Управління переміщенням і перетворенням даних в Azure Synapse Pipelines

Управління переміщенням і перетворенням даних в Azure Data Factory.

Оптимізація продуктивності запитів за допомогою виділених пулів SQL в Azure Synapse

  • Оптимізація продуктивності запитів до сховища даних в Azure Synapse Analytics
  • Ознайомлення з функціями розробника сховища даних в Azure Synapse Analytics

Аналіз і оптимізація сховища даних

Аналіз і оптимізація сховища даних в Azure Synapse Analytics.

Підтримка гібридної транзакційної аналітичної обробки (HTAP) за допомогою Azure Synapse Link

  • Розробка гібридної транзакційної і аналітичної обробки за допомогою Azure Synapse Analytics
  • Налаштування Azure Synapse Link за допомогою Azure Cosmos DB
  • Запити до Azure Cosmos DB з пулами Apache Spark
  • Запити до Azure Cosmos DB з безсерверними пулами SQL

Комплексна безпека за допомогою Azure Synapse Analytics

  • Захист сховища даних в Azure Synapse Analytics
  • Налаштування та управління секретами в Azure Key Vault
  • Впровадження контролю відповідності для конфіденційних даних

Обробка потоків в реальному часі за допомогою Stream Analytics

  • Забезпечення надійного обміну повідомленнями для додатків Big Data за допомогою Azure Event Hubs
  • Робота з потоками даних за допомогою Azure Stream Analytics
  • Отримання потоків даних за допомогою Azure Stream Analytics

Створення рішення для потокової обробки за допомогою Event Hubs і Azure Databricks

Обробка потокових даних за допомогою структурованої потокової передачі Azure Databricks.

Створення звітів за допомогою інтеграції Power BI з Azure Synpase Analytics

Створення звітів за допомогою Power BI, використовуючи інтеграцію з Azure Synapse Analytics.

Виконання інтегрованих процесів машинного навчання в Azure Synapse Analytics

Використання інтегрованого процесу машинного навчання в Azure Synapse Analytics.

Після курсу слухачі зможуть:

  • Вивчати варіанти обчислень і зберігання для проектування даних робочих навантажень в Azure
  • Розробляти і реалізовувати рівні обслуговування
  • Розуміти особливості проектування даних
  • Виконувати інтерактивні запити з використанням безсерверних пулів SQL
  • Вивчати, перетворювати і завантажувати дані в сховище даних за допомогою Apache Spark
  • Виконувати дослідження і перетворення даних в Azure Databricks
  • Отримувати і завантажувати дані в сховищі даних
  • Перетворювати дані за допомогою Azure Data Factory або Azure Synapse Pipelines
  • Інтегрувати дані із записників за допомогою Azure Data Factory або конвеєрів Azure Synapse
  • Оптимізувати продуктивність запитів за допомогою виділених пулів SQL в Azure Synapse
  • Аналізувати і оптимізувати сховище даних
  • Підтримувати гібридну транзакційну аналітичну обробку (HTAP) за допомогою Azure Synapse Link
  • Забезпечувати комплексну безпеку за допомогою Azure Synapse Analytics
  • Виконувати потокову обробку в реальному часі за допомогою Stream Analytics
  • Створювати рішення для потокової обробки за допомогою Event Hubs і Azure Databricks
  • Створювати звіти за допомогою інтеграції Power BI з Azure Synpase Analytics
  • Виконувати інтегровані процеси машинного навчання в Azure Synapse Analytics

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
Подать заявку
Курс

Розробка та реалізація рішення Data Science в Azure – Networking Technologies

Networking Technologies
Формат
Online
Начало занятий
07.04.2026
Длительность
4 дней
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
уточняйте
Занятия целый деньВыдаётся диплом/сертификатСопровождение ментора
  • Cloud technologies
  • Data Science / Machine learning / AI
Networking Technologies
Подать заявку
Подробнее

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
Подать заявку
Курс

Функціональний консультант платформи Microsoft Power Platform – Networking Technologies

Networking Technologies
Формат
Online
Начало занятий
Дата формируется
Длительность
5 дней
Уровень
Для начинающих, Для опытных
Язык обучения
Ukrainian
Стоимость
уточняйте
Занятия целый деньВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
Networking Technologies
Подать заявку
Подробнее

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
Подать заявку
Курс

Розробка та реалізація Data Science в Azure – Networking Technologies

Networking Technologies
Формат
Online
Начало занятий
07.04.2026
Длительность
4 дней
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
уточняйте
Занятия целый деньВыдаётся диплом/сертификатСопровождение ментора
  • Cloud technologies
  • Data Science / Machine learning / AI
Networking Technologies
Подать заявку
Подробнее

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
  • Стримати 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
Подать заявку
Курс

Штучний інтелект для дітей: практичний курс – Академия Профессий Будущего

Академія Професій Майбутнього
Формат
Online
Начало занятий
Дата формируется
Длительность
32 занятий
Уровень
Для детей
Язык обучения
Ukrainian
Стоимость
500 UAH за час
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
  • Prompt Engineering / ChatGPT
Академия Профессий Будущего
Подать заявку
Подробнее

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

Подать заявку
Курс

Deep Learning – Мир Современного Образования

Світ Сучасної Освіти
Формат
Online
Начало занятий
Дата формируется
Длительность
45 часов
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
40 000 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
Мир Современного Образования
Подать заявку
Подробнее

Програма курсу

Вступ до глибокого навчання (DL)

  • DL для задач обробки природньої мови (NLP) та комп’ютерного зору (CV). Інші прикладні галузі
  • Що таке нейронна мережа (NN)?
  • Компоненти NN. Перцептрон
  • Як навчається NN? Градієнтний спуск
  • Функція втрат. Пряме і зворотне розповсюдження

Основи PyTorch

  • Проста NN у PyTorch
  • Функції активації. Приховані шари VS вихідні шари
  • Методи регулярізації. Рання зупинка. Dropout
  • Залишкові з'єднання

Ембединги

  • Представлення тексту у вигляді векторів
  • Класичні алгоритми ембедингів для завдань NLP
  • Word2vec, GloVe, fastText

Текст як послідовність

  • RNN
  • LSTM
  • GRU

Моделі послідовності до послідовності (seq-to-seq)

  • Bi-directional LSTM
  • Моделі encoder-decoder

Transformers

  • Attention. Encoder, decoder. Self-attention
  • BERT vs GPT-2

Поширені завдання NLP з використанням Transformers

  • Класифікація текстів
  • Відповідь на запитання
  • Семантичний пошук

Генеративні моделі

  • Перефразування, сумаризація тексту
  • Великі мовні моделі (LLMs)

Згорткові нейронні мережі

  • Класифікація зображень
  • Попередня обробка зображень. Аугментація

Трансфер навчання

  • LeNet
  • AlexNet
  • VGGNet
  • Inception
  • ResNet
  • EfficientNet

Детекція об'єктів

  • R-CNN
  • YOLO
  • SSD

Семантична сегментація, об'єктна сегментація

  • UNet
  • Mask R-CNN
  • YOLACT

Генерація зображень

  • Автокодери. GAN
  • Передача нейронного стилю

Diffusers

  • Текстове підсумування зображення
  • Text-to-Image
  • Production

Оптимізація NN

  • Налаштування гіперпараметрів
  • Прискорення тренування
  • Накопичення градієнта
  • Контрольні точки градієнта
  • Змішана середня точність

Розгортання

  • FastAPI
  • Моніторинг моделей у виробництві

Після курсу ви зможете

  • Використовувати нейронні мережі для вирішення реальних задач обробки природної мови та комп’ютерного зору
  • Користуватися фреймворком PyTorch, бібліотеками Hugging Face та OpenCV

Особливості курсу

  • Допомога ментора
  • Практика
  • Сертифікат про проходження курсу
  • Основний інструмент PyTorch
Подать заявку
Курс

Машинне навчання та хмарні технології – SET University

SET University
Формат
Online
Начало занятий
01.10.2025
Длительность
18 месяцев
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
198 999 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Cloud technologies
  • Data Science / Machine learning / AI
SET University
Подать заявку
Подробнее

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
Подать заявку
Курс

Основи Data Science – Ampli

Ampli
Формат
Online
Начало занятий
Дата формируется
Длительность
5 месяцев
Уровень
Для детей
Язык обучения
Ukrainian
Стоимость
3 500 UAH за месяц
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
Ampli
Подать заявку
Подробнее

Курс складається з двох блоків: hard skills (занять з розробки штучного інтелекту - отримання професійних навичок) та Soft skills (занять з управління собою та командою, розвитку персональних навичок). Навчаємо з нуля. Вступне тестування на рівні Beginner - на логіку та базове володіння комп'ютером.

План курсу

Освітні результати

Hard skills:

  • Створення розумної інформаційної платформи
  • Навчання та оцінка моделі поведінки користувачів
  • Основи програмування мовою Python
  • Основи машинного навчання (Machine Learning)
  • Робота в інтерактивному середовищі Jupyter notebook
  • Створення та наповнення баз даних з використанням SQL
  • Створення візуалізацій
  • Робота з бібліотеками Python Matplotlib та Plotly
  • Табличні дані
  • Структурування та збір даних
  • Навчання баєсівської моделі та її оцінка на тестових даних
  • Знайомство бібліотекою збору та аналізу даних Pandas

Soft skills:

  • Емоційний інтелект
  • Самоідентифікація
  • Лідерство
  • Цілепокладання
  • Мотивація та дисципліна
  • Тайм-менеджмент
  • Самопрезентація
  • Комунікація - конфліктологія - перемовини
  • Мистецтво публічного виступу
  • Робота в команді та з замовником

Результат курсу

IT сфера цінує знання та досвід. Студент отримує:

  • Профорієнтацію, підготовку до вступу у профільний ВНЗ (вже після першого модулю)
  • Здатність працювати на рівні Junior IT спеціаліста
  • Професійне портфоліо власних та командних робіт
  • Сертифікат про проходження кожного модуля

Перша робота:

  • Перший модуль "Основи Data Science" дає базу та розуміння напрямку подальшого розвитку
  • Другий модуль "Data Science, просунутий рівень" та третій модуль "Machine Learning + Deep Learning" є професійними, тому дозволяють працювати на фрілансі та в компаніях
  • Програма навчання складається із індивідуальних та командних проєктів та їхнього захисту (пітчів) перед експертами сфери та HR менеджерами
  • Для наших випускників в Ampli працює кар'єрний сервіс з пошуку стажування та першої роботи

Особливості курсу

  • Тривалість навчання - 5 місяців (20 тижнів/занять)
  • Групове онлайн навчання з наставником - IT-спеціалістом (AI розробником), групою підлітків та супроводом стаді-менеджера
  • Завдання для роботи серед тижня: відео-підручник (записи занять) та практичні завдання від наставника, додаткові матеріали (галузеві статті, ін.). Перевірка завдань наставником. Спілкування у чаті
  • Заняття вихідними (субота або неділя, 2 години, онлайн у google meet)
  • Онлайн-практикуми з тренером по soft skills (надпрофесійні навички з управління собою та проєктами) раз на тиждень (1.5 години)
  • Зворотний зв'язок для батьків:
    • раз/місяць статус навчання по програмі від стаді-менеджера
    • раз/три місяці - відгуки наставників

Автори програми

  • Арсен Костенко - Netflix
  • Сергій Швець - Director of product at Nimble
  • Володимир Кондратенко - Data Scientist at Facebook
  • Ярослав Терещенко - Senior Machine Learning / Computer vision Engineer at Svitla Systems
Подать заявку
Курс

Machine Learning in Production – Projector

Projector
Формат
Online
Начало занятий
27.09.2025
Длительность
2 месяцев
Уровень
Для опытных
Язык обучения
Ukrainian
Стоимость
28 000 UAH за курс
Гибкий графикВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
Projector
Подать заявку
Подробнее

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

Подать заявку
Курс

Machine Learning – CHI IT Academy

CHI IT Academy
Формат
Online
Начало занятий
20.02.2025
Длительность
4 месяцев
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
22 000 UAH за курс
Вечерние занятияВыдаётся диплом/сертификатСопровождение ментораРеальный проект в портфолио
  • Data Science / Machine learning / AI
CHI IT Academy
Подать заявку
Подробнее

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

Подать заявку
Курс

Data Science – Main Academy

Main Academy
Формат
Online
Начало занятий
Дата формируется
Длительность
65 часов
Уровень
Для начинающих
Язык обучения
Ukrainian
Стоимость
22 000 UAH за курс
Вечерние занятияВыдаётся диплом/сертификатСопровождение ментора
  • Data Science / Machine learning / AI
Main Academy
Подать заявку
Подробнее

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
Подать заявку

Страницы

Читайте нас в Telegram, чтобы не пропустить анонсы новых курсов.

Отзывы о курсах

Павло    20.10.2025

Пройшов курс " Junior Data Science" і залишився дуже задоволеним!
Інфраструктура на високому рівні - зручний навчальний кабінет, сучасні матеріали, все продумано . Окремо хочеться відзначити команду підтримки - куратори завжди на зв’язку, швидко реагують, допомагають розібратися навіть із найдрібнішими питаннями.

Окремо хотів би відзначити лектора Дмитра Безущака. Це справжній професіонал, з глибоким практичним досвідом у Data Science. Пояснює складні теми просто і доступно, ділиться реальними кейсами . Завжди відкритий до запитань, навіть якщо доводиться виходити за межі запланованого часу -  це величезний плюс.

Курс побудований логічно, із поступовим переходом від базових понять до реальних проєктів. Отримані знання можна одразу застосовувати на практиці.

Загалом рекомендую всім, хто хоче глибше зануритися у Data Science і отримати справді прикладні знання! Рекомендую!

Плюсы:Плюси:  - досвідчений і cильний викладач;  - чудова команда підтримки (куратори, менеджери, технічна допомога); - якісні навчальні матеріали й зручний онлайн-кабінет; - практична спрямованість курсу.
Минусы:Не знайшов
Рекомендации: Рекомендую
5
Средняя: 5 (1 голос)
Robot Dreams
Курсы Data Science / Machine learning / AI
Дмитро   17.10.2025

Пройшов курс й залишився задоволеним.

Класна інфраструктура - навчальний кабінет, матеріали. Особливо порадував рівень підтримки кураторів - швидкі відповіді, завжди намагалися допомогти й йти на зустріч.

Чудовий лектор Андрій Рижков, має практичний досвід, яким ділився - завжди був готовий відповіти на всі питання. Коли їх було забагато - готовий був виходити за таймінг й залишатися довше, ніж заплонованйи час.

Все було на чудовому рівні.

Плюсы:- гарний лектор - чудова команда підтрикми (від сейлзів до кураторів) - зручний кабінет
Минусы:- хотілося трошки більше практики, але то просто мої очікування:)
Рекомендации: Рекомендую
5
Средняя: 5 (1 голос)
Robot Dreams
Курсы Data Science / Machine learning / AI
Володимир   13.10.2025

Все сподобалося, курс пройшов чудово. Отримав корисні інструменти та приклади їх застосування. Особливо сподобалась курсова робота.
Домашні завдання були непрості, але дуже корисні. Фідбеку вистачало, завжди було зрозуміло, над чим працювати далі.
До лектора жодних зауважень - завжди допомагав і підтримував
 

Плюсы:Домашні завдання достойного рівня. Консультаціі від викладача
Рекомендации: Рекомендую
5
Средняя: 5 (1 голос)
Robot Dreams
Курсы Data Science / Machine learning / AI
Роман   09.10.2025

Пройшов курс із Data Science — залишився дуже задоволений. Лектор подає матеріал чітко, з прикладами та живою практикою, що реально допомагає «приземлити» теорію. Водночас відчувається простір для розвитку курсу — є куди рости, аби зробити шлях студента ще зручнішим. Дякую за крутий досвід!

Плюсы:Сильний лектор: чіткі пояснення + практичні приклади. Багато hands-on завдань — знання одразу застосовуєш. Зворотний зв’язок по роботах, зрозумілі критерії оцінювання. Реальні кейси та інструменти, близькі до продакшену.
Минусы:Матеріали та навігація по ним інколи незручні (хочеться більше “дорожніх карт” і конспектів).
Рекомендации: Рекомендую
5
Средняя: 5 (1 голос)
Robot Dreams
Курсы Data Science / Machine learning / AI
Валерій    01.10.2025

Щойно завершив курс 'AI в бізнесі', дуже задоволений! Курс цілком підйомний навіть для нетехнічних спеціалістів, але одночасно дуже практичний, націлений на реальне створення цінності в організації за допомогою AI інструментів. 
 

Плюсы:Дуже гарні пояснення базових концепцій AI, широкий огляд інструментів та підходів, кейси з різноманітних індустрій. Також курс орієнтований на підсилення бізнес-стратегії організації за рахунок застосування AI технологій. Курс досить повний, об'ємний і інформативний.
Минусы:Немає
Рекомендации: Рекомендую
5
Средняя: 5 (1 голос)
Robot Dreams
Курсы Data Science / Machine learning / AI