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.