Урок 1. Вводный урок и обзор программы

Рады приветствовать вас на курсе “Специалист по искусственному интеллекту”!

Это вводное видео курса, в котором автор программы Леонид Лукин — кандидат технических наук, эксперт кластера «Искусственный интеллект» РАЭК и член жюри проекта «Цифровой прорыв» — подробно рассказывает о себе, своем профессиональном пути и делится концепцией обучения.

Курс построен на балансе теории и глубокой практической подготовки. Он разделен на две логические части:

1. Классическое (неглубокое) машинное обучение — фундамент, на котором строятся современные ИИ-решения. Мы разберем предобработку данных, регрессию, классификацию, кластеризацию и деревья решений.
2. Нейронные сети и Deep Learning — переход к сложным архитектурам (CNN, RNN), работе с компьютерным зрением, обучению с подкреплением, а также к самым актуальным технологиям: большим языковым моделям (LLM), промпт-инжинирингу, технологиям RAG и генерации медиаконтента.

Кому подойдет этот курс?

• Начинающим специалистам, желающим войти в сферу Data Science и ИИ.
• Разработчикам, планирующим расширить стек технологий.
• Аналитикам данных, стремящимся освоить прогностическое моделирование.

В рамках курса вас ждут практические задания, написание кода, разборы реальных кейсов и итоговый проект для портфолио.

План курса по машинному обучению, искусственному интеллекту и нейронным сетям

Часть 1. Машинное обучение

1. Введение в искусственный интеллект: Обзор понятий ИИ, машинного обучения и нейронных сетей. Основные типы машинного обучения.
2. Подготовка и предобработка данных:
   • Сбор и очистка данных.
   • Разведочный анализ данных (EDA).
   • Нормализация и масштабирование.
   • Работа с категориальными данными и их кодирование.
   • Отбор и конструирование признаков (Feature Selection & Feature Engineering).
   • Методы уменьшения размерности.
   • Визуализация подготовленных данных.
3. Линейная регрессия:
   • Концепция линейной регрессии и функции потерь.
   • Алгоритм градиентного спуска.
   • Практическое применение библиотеки Scikit-Learn.
   • Метрики оценки качества регрессионных моделей.
   • Полиномиальная регрессия.
   • Оптимизация обучения, проблемы переобучения (overfitting) и недообучения (underfitting).
4. Классификация:
   • Бинарная и многоклассовая классификация.
   • Логистическая регрессия.
   • Метрики оценки качества классификации.
   • Метод K-ближайших соседей (KNN).
5. Кластеризация:
   • Метод K-средних (K-Means).
   • Алгоритм DBSCAN.
6. Введение в обработку естественного языка (NLP):
   • Наивный байесовский классификатор.
   • Метод опорных векторов (SVM).
   • Классификация текстовых документов.
7. Ансамблевые методы:
   • Деревья решений.
   • Ансамблирование моделей.
   • Алгоритмы бустинга.
8. Рекомендательные системы: Изучение классических методов и подходов к построению рекомендательных алгоритмов.

Часть 2. Нейронные сети

1. Введение в глубокое обучение (Deep Learning):
   • Модель искусственного перцептрона.
   • Многослойный перцептрон (MLP).
   • Функции активации и функции потерь.
   • Алгоритм обратного распространения ошибки (Backpropagation).
   • Классификация изображений базовыми методами.
2. Оптимизация нейросетей и инструменты:
   • Процессы настройки и оптимизации обучения глубоких сетей.
   • Обзор современных фреймворков (Keras, TensorFlow, PyTorch).
3. Сверточные нейронные сети (CNN): Архитектура сетей и их применение в задачах компьютерного зрения (Computer Vision).
4. Рекуррентные нейронные сети (RNN): Обработка временных рядов, текстовых и числовых последовательностей.
5. Обучение с подкреплением (Reinforcement Learning): Введение в основные концепции и подходы.
6. Работа с текстом и большие языковые модели (LLM):
   • Технология Word2Vec и архитектура Transformer.
   • Большие языковые модели (LLM).
   • Тонкая настройка моделей (Fine-Tuning) и технология RAG (Retrieval-Augmented Generation).
   • Обработка, классификация и генерация текста с помощью LLM.
   • Основы промпт-инжиниринга.
7. Генеративный ИИ: Создание и обработка графического и видеоконтента при помощи искусственного интеллекта.