Практический видеокурс «Специалист по искусственному интеллекту». Cодержит последовательную программу обучения, которая охватывает путь от базовых понятий анализа данных до работы со сложными нейросетевыми архитектурами.
Программа курса разделена на два крупных блока:
- Классическое машинное обучение (ML): сбор и предобработка данных (EDA), регрессионный анализ, классификация, кластеризация, деревья решений, ансамбли и рекомендательные системы.
- Нейронные сети и глубокое обучение (Deep Learning): многослойные перцептроны, сверточные (CNN) и рекуррентные (RNN) сети, компьютерное зрение, обучение с подкреплением, трансформеры и большие языковые модели (LLM), а также современные технологии развертывания моделей (Fine-Tuning, RAG) и генеративный ИИ.
Каждая лекция сочетает необходимую теоретическую основу с разбором кода на Python, что позволяет закрепить полученные знания на практических примерах и подготовиться к выполнению самостоятельных проектов.
Стоимость курса: бесплатный.
4 комментария к “Курс по искусственному интеллекту и машинному обучению”
Леонид, у Вас очень интересные и четкие лекции. Ничего лишнего, все системно и понятно. Редко в наше время встретишь такого преподавателя.
Спасибо!
Отлично, я очень рад. Первые лекции достаточно простые и базовые – потом будет сложнее и намного интереснее. Если будут вопросы задавайте.
Вопрос от новичка. Вот, например, мы разбили данные на трэйн и тест. Отложили тест в сторонку и колдуем с трэйном. Применяем мин-макс скалер к признакам и признаки в трэйне теперь в диапазоне [0;1]. Но ведь когда мы проверяем на тесте, то у тестовой выборки признаки остались непреобразованными? Как тогда это работает? То есть модель обучалась там, где признаки преобразованы в диапазон [0;1] но ведь в реальной жизни у нас признаки реальные, не преобразованные…
Отличный вопрос! Короткий ответ: тестовые и реальные данные тоже обязательно преобразуются перед подачей в модель. Модель никогда не работает с сырыми признаками, если её обучали на отмасштабированных.
Вот как это устроено.
Как обрабатывается тест:
На обучающей выборке скалер запоминает минимум и максимум (fit) и сжимает признаки в диапазон [0; 1] (transform). На тестовой выборке мы только сжимаем данные (transform), используя те самые минимум и максимум, которые были найдены на обучении. Считать новые минимумы и максимумы по тесту нельзя — это приведёт к утечке данных.
Как это работает в реальной жизни:
В продакшен отправляется связка: обученный скалер + обученная модель (тот самый пайплайн из урока).
Когда от пользователя приходят реальные «сырые» данные (например, возраст 30 лет и доход 100 000 руб.), они не идут напрямую в модель. Сначала сохранённый скалер переводит их по старой формуле в нужный масштаб, и только потом они передаются модели для предсказания.
(Если в реальности значение окажется больше исторического максимума, после преобразования оно просто получится чуть больше единицы, например 1.05 — для алгоритмов это абсолютно нормально).