Введение в искусственный интеллект [2020]
GeekSchool
Светлана Шорина, Дмитрий Санников, Илья Акчурин
Научитесь программировать, обрабатывать данные и работать с алгоритмами машинного обучения. В конце курса - увлекательное соревнование по улучшению нейронной сети.
За 3 месяца ребята научатся работать с математическими операциями, собирать датасеты и создавать алгоритмы машинного обучения. Они также запустят предобученную нейронную сеть, чтобы распознавать верные и ложные данные.
Спойлер: Курс для ребят, которые любят технологии
1. Интересуются искусственным интеллектом.
2. Хотят разобраться в машинном обучении и нейронных сетях.
3. Только начинают программировать или интересуются языком Python.
Спойлер: 3 причины пройти курс по искусственному интеллекту
1. Карьерные перспективы
Курс знакомит ребят с профессией дата-сайентиста — специалиста по работе с данными. Такие специалисты разбираются в искусственном интеллекте и машинном обучении, у них высокие зарплаты и перспективы для развития.
2. Подготовка к олимпиадам по программированию
На курсе ребята углубляют знания по программированию, линейной алгебре и математическому анализу. Это поможет участвовать в олимпиадах и поступать технические вузы: МГУ, МГТУ им Н. Э. Баумана, МФТИ, ВШЭ.
3. Увлекательное обучение
Ребята попробуют себя в роли исследователя: с помощью машинного обучения они смогут классифицировать привычки людей и спрогнозировать поведение. В результате они создадут несколько нейронных сетей.
Спойлер: Содержание
Модуль 1 - Основы программирования на языке Python
Урок 1 - Работа с данными и математическими операциями в Python
Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.
Урок 2 - Основные конструкции языка Python
Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.
Урок 3 - Структуры данных в Python
Изучаем принципы работы с данными.
Урок 4 - Функции в Python
Изучаем, как работать с функциями.
Модуль 2 - Numpy и Pandas — инструменты, которые помогают получать данные
Урок 5 - Pandas. Установка. Учимся работать с данными и таблицами
Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных.
Урок 6 - Pandas. Основные функции
После того, как мы загрузили датасет, начинаем осваивать базовые функции.
Урок 7 - Numpy: улучшение математического аппарата
Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.
Урок 8 - Numpy: машинное обучение без учителя
Узнаём, что такое обучение без учителя.
Модуль 3 - Работа с машинным обучением
Урок 9 - Обучение с учителем. Ближайшие соседи
Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.
Урок 10 - Линейная регрессия. Функция потерь и логистическая регрессия
Разбираем практические задачи.
Урок 11 - Работаем с базовой нейронной сетью
Узнаём, какие преимущества и недостатки есть у нейронной сети.
Урок 12 - Придумываем тему для блога
Узнаём, как настраивать нейронную сеть.
Модуль 4 - Демодень
Урок 13 - Демодень — это последний день курса.
Продажник
GeekSchool
Светлана Шорина, Дмитрий Санников, Илья Акчурин
Научитесь программировать, обрабатывать данные и работать с алгоритмами машинного обучения. В конце курса - увлекательное соревнование по улучшению нейронной сети.
За 3 месяца ребята научатся работать с математическими операциями, собирать датасеты и создавать алгоритмы машинного обучения. Они также запустят предобученную нейронную сеть, чтобы распознавать верные и ложные данные.
Спойлер: Курс для ребят, которые любят технологии
1. Интересуются искусственным интеллектом.
2. Хотят разобраться в машинном обучении и нейронных сетях.
3. Только начинают программировать или интересуются языком Python.
Спойлер: 3 причины пройти курс по искусственному интеллекту
1. Карьерные перспективы
Курс знакомит ребят с профессией дата-сайентиста — специалиста по работе с данными. Такие специалисты разбираются в искусственном интеллекте и машинном обучении, у них высокие зарплаты и перспективы для развития.
2. Подготовка к олимпиадам по программированию
На курсе ребята углубляют знания по программированию, линейной алгебре и математическому анализу. Это поможет участвовать в олимпиадах и поступать технические вузы: МГУ, МГТУ им Н. Э. Баумана, МФТИ, ВШЭ.
3. Увлекательное обучение
Ребята попробуют себя в роли исследователя: с помощью машинного обучения они смогут классифицировать привычки людей и спрогнозировать поведение. В результате они создадут несколько нейронных сетей.
Спойлер: Содержание
Модуль 1 - Основы программирования на языке Python
Урок 1 - Работа с данными и математическими операциями в Python
Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.
- Устанавливаем программы для прохождения курса
- Управляем вводом и выводом данных в первой программе по Python
Урок 2 - Основные конструкции языка Python
Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.
- Изучаем условия if, elif, else
- Изучаем циклы for, while
- Тренируемся программировать на Python и создаём программу с базовыми алгоритмами
Урок 3 - Структуры данных в Python
Изучаем принципы работы с данными.
- Узнаём, как работают данные, списки, словари и файлы
- Знакомимся с датасетом — набором данных. Учимся его обрабатывать с помощью простейших операций
- Занимаемся вводом и выводом данных
Урок 4 - Функции в Python
Изучаем, как работать с функциями.
- Узнаём, как создавать функции и передавать параметры
- Изучаем глобальные и локальные переменные
- Добавляем полезные функции к датасету из третьего урока
Модуль 2 - Numpy и Pandas — инструменты, которые помогают получать данные
Урок 5 - Pandas. Установка. Учимся работать с данными и таблицами
Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных.
- Получаем датасет с числовыми метриками
- Устанавливаем Pandas, изучаем базовые команды и учимся работать с таблицами
- Обрабатываем датасет с помощью Pandas: загружаем и выгружаем данные
Урок 6 - Pandas. Основные функции
После того, как мы загрузили датасет, начинаем осваивать базовые функции.
- Узнаём, как работают различные функции Pandas: подсчет, создание категорий выборок датасета и др
- Учимся применять функции из предыдущего урока на нашем датасете
Урок 7 - Numpy: улучшение математического аппарата
Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.
- Узнаём потенциал Numpy для работы с машинным обучением
- Тренируемся работать с операциями высшей математики с помощью библиотеку Numpy
Урок 8 - Numpy: машинное обучение без учителя
Узнаём, что такое обучение без учителя.
- Строим классическую модель обучения без учителя в Numpy
- Строим первую модель предсказания в библиотеке Numpy
Модуль 3 - Работа с машинным обучением
Урок 9 - Обучение с учителем. Ближайшие соседи
Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.
- Осваиваем базовые принципы машинного обучения
- Придумываем и реализовываем простой алгоритм
- Возьмём классификатор на датасете
Урок 10 - Линейная регрессия. Функция потерь и логистическая регрессия
Разбираем практические задачи.
- Учимся оценивать качество алгоритмов и выбирать наилучший вариант
- Изучаем функцию потерь и учимся их минимизировать
- Визуализируем данные и решаем задачи по линейной регрессии
Урок 11 - Работаем с базовой нейронной сетью
Узнаём, какие преимущества и недостатки есть у нейронной сети.
- Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов
- Запускаем предобученную нейронную сеть, чтобы распознавать истинные и ложные данные
Урок 12 - Придумываем тему для блога
Узнаём, как настраивать нейронную сеть.
- Узнаём, какие настройки существуют
- Отрабатываем настройки параметров нейронной сети
Модуль 4 - Демодень
Урок 13 - Демодень — это последний день курса.
- Ребят ждёт увлекательное соревнование: нужно улучшить нейронную сеть
- После соревнования все ребята получат сертификат о прохождении курса. За лучшие результаты выдаём призы
- В конце проведём небольшой семинар на 15–20 минут. Ребята узнают, в каких областях можно применять новые знания, и в какие вузы лучше поступать
Продажник