ВЕНДОРЫ
Курсы по вендорам
Скрыть

Введение в машинное обучение (IML)

IML
Очный формат:
Длительность: 2 дня
Цена: 60 000₽
цена указана без НДС 5%
Даты
Онлайн тренинг
Длительность: 2 дня
Цена: 60 000₽
цена указана без НДС 5%
Даты

Кому следует посетить

Начинающие специалисты в области ИИ, желающие получить базовые знания и навыки
Программисты и разработчики, стремящиеся изучить ИИ и машинное обучение
Менеджеры и руководители проектов, заинтересованные в использовании ИИ для улучшения бизнес-процессов
Студенты и исследователи, желающие углубить свои знания в области ИИ
Предварительные требования:
Базовые знания программирования на Python
Понимание основных математических и статистических концепций
Цели курса
УМЕТЬ:
  • устанавливать и использовать популярные инструменты и библиотеки для разработки ИИ-приложений;
  • понимать основные методы машинного обучения и применять их для решения практических задач;
  • проходить полный цикл работы с данными - от их обработки до создания, оценки и интерпретации моделей машинного обучения;
ЗНАТЬ:
  • основы искусственного интеллекта и его ключевые концепции;
  • о различных областях применения ИИ и успешных примерах внедрения;
Содержание курса Эти два дня дадут участникам базовые знания и практические навыки, которые помогут им начать путь в мире искусственного интеллекта и машинного обучения

Даты и регистрация

Онлайн тренинг
Очный формат
Гарантированные курсы Гарантирован при получении Вашей заявки
10.03—11.03.2026
IML
Это FLEX курс Онлайн
01.06—02.06.2026
IML
Это FLEX курс Онлайн
03.08—04.08.2026
IML
Это FLEX курс Онлайн
10.03—11.03.2026
IML
Это FLEX курс г. Санкт-Петербург / Очная форма
01.06—02.06.2026
IML
Это FLEX курс г. Москва / Очная форма
03.08—04.08.2026
IML
Это FLEX курс г. Санкт-Петербург / Очная форма
Программа курса
Модуль 1. 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.
Модуль 2. 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
    1. Построение графиков и визуализация результатов.
    • Интерпретация результатов и выводы.