Программа курса
День 1: Введение в искусственный интеллект
Основы искусственного интеллекта
Определение ИИ и его происхождение
- История развития ИИ.
- Важные вехи и прорывы в области ИИ.
- Основные ученые и их вклад в ИИ.
Основные понятия: машинное обучение, глубокое обучение, нейронные сети
- Различия между ИИ, машинным обучением и глубоким обучением.
- Что такое нейронные сети и как они работают.
- Примеры нейронных сетей: полносвязные, свёрточные, рекуррентные.
Применения искусственного интеллекта
Обзор областей применения ИИ
- Промышленность: автоматизация производства, предиктивное обслуживание.
- Медицина: диагностика заболеваний, персонализированное лечение.
- Финансовый сектор: управление рисками, торговые стратегии.
- Развлечения: рекомендательные системы, создание контента.
- Транспорт: автономные транспортные средства, оптимизация маршрутов.
Успешные примеры внедрения ИИ
- Case study 1.
- Case study 2.
- Case study 3.
Установка и использование инструментов
Установка и настройка необходимых инструментов
- Обзор популярных инструментов и библиотек для ИИ (Python, TensorFlow, PyTorch, Scikit-learn).
- Установка Python и Jupyter Notebook.
- Установка библиотек через pip.
Практическое задание
- Настройка рабочего окружения.
- Написание первой программы на Python, использующей библиотеку для машинного обучения.
День 2: Основы машинного обучения
Введение в машинное обучение
Основные концепции и типы машинного обучения
- Что такое машинное обучение и как оно отличается от традиционного программирования.
- Основные методы машинного обучения: supervised learning, unsupervised learning, reinforcement learning.
Роль данных в машинном обучении
- Важность качества данных.
- Методы сбора и подготовки данных.
- Понятие "обучающая выборка" и "тестовая выборка".
Обучение с учителем и без учителя
Различия между обучением с учителем и без учителя
- Основные концепции и примеры supervised learning и unsupervised learning.
- Преимущества и недостатки каждого подхода.
Примеры задач: классификация, регрессия, кластеризация
- Классификация: распознавание изображений, спам-фильтры.
- Регрессия: предсказание цен на жилье, прогнозирование продаж.
- Кластеризация: сегментация клиентов, обнаружение аномалий.
Практическое задание: Создание простой модели машинного обучения на основе данных
Сбор и подготовка данных
- Загрузка датасета (например, из библиотеки Scikit-learn или Kaggle).
- Очистка и предобработка данных.
Разработка модели
- Выбор алгоритма (например, линейная регрессия, k-ближайших соседей).
- Обучение модели на тренировочных данных.
Оценка модели
- Разделение данных на тренировочную и тестовую выборки.
- Оценка точности модели на тестовых данных.
Визуализация и интерпретация результатов
- Построение графиков и визуализация результатов.
- Интерпретация результатов и выводы.
День 3: Глубокое обучение и нейронные сети
Основы глубокого обучения
Архитектура нейронных сетей
- Что такое нейронная сеть: основные компоненты (нейроны, слои, связи).
- Типы слоев: входной, скрытые, выходной.
- Популярные архитектуры: feedforward, свёрточные нейронные сети (CNN), рекуррентные нейронные сети (RNN).
Обучение глубоких нейронных сетей
- Процесс обучения: функции потерь, градиентный спуск.
- Переобучение и способы его предотвращения (регуляризация, dropout).
- Валидация и тестирование моделей.
Применение глубокого обучения
Обзор успешных проектов с использованием глубокого обучения
- GPT-4 и другие модели обработки естественного языка.
- Проекты в области компьютерного зрения (например, распознавание лиц, сегментация объектов).
Тенденции в развитии глубокого обучения
- Новые архитектуры и методы (Transformers, Attention Mechanisms).
- Автоматизация машинного обучения (AutoML).
День 4: Техническое применение ИИ
Инструменты для разработки ИИ-приложений
Библиотеки и фреймворки
- Популярные библиотеки: TensorFlow, PyTorch, Keras.
- Особенности и различия между ними.
- Дополнительные инструменты: NumPy, Pandas, Scikit-learn.
Инструменты для разработки моделей и их внедрения
- Jupyter Notebook для разработки и тестирования.
- Облачные сервисы для обучения и развертывания моделей (DataSphere, Google Colab, Azure ML).
- Непрерывная разработка и интеграция ИИ-моделей.
- Практика MLOps: CI/CD для ИИ-моделей.
Практическое задание: создание простой модели с использованием TensorFlow или PyTorch
- Выбор библиотеки (TensorFlow или PyTorch).
- Построение и обучение простой модели (например, MNIST классификация).
- Визуализация результатов и оценка точности модели.
День 5: Оптимизация и настройка моделей
Техники оптимизации и настройки параметров моделей
- Настройка гиперпараметров: выбор оптимальных параметров модели.
- Методы оптимизации: Adam, RMSProp, SGD.
- Использование кросс-валидации для оценки моделей.
Практическое задание: оптимизация созданной модели и сравнение результатов
- Применение техник настройки гиперпараметров.
- Повторное обучение модели с новыми параметрами.
- Сравнение производительности оригинальной и оптимизированной моделей.