ВЕНДОРЫ
Курсы по вендорам
Скрыть

Введение в машинное обучение (IML)

Курс «Введение в машинное обучение» (IML) — это базовое практическое обучение для начинающих специалистов в области ИИ, программистов, разработчиков, менеджеров проектов, студентов и исследователей, которым необходимо получить первые прикладные навыки работы с искусственным интеллектом и машинным обучением. На курсе рассматриваются основы ИИ, история развития и ключевые понятия: машинное обучение, глубокое обучение и нейронные сети, успешные примеры внедрения искусственного интеллекта, установка и настройка рабочего окружения, работа с Python, Jupyter Notebook, TensorFlow, PyTorch и Scikit-learn, а также базовые методы машинного обучения: supervised learning, unsupervised learning и reinforcement learning. Отдельное внимание уделяется роли данных в машинном обучении, сбору и подготовке данных, обучающей и тестовой выборкам, задачам классификации, регрессии и кластеризации, созданию, оценке и интерпретации моделей машинного обучения.

Программа рассчитана на 2 дня, доступна в очном и онлайн-формате и подходит слушателям с базовыми знаниями программирования на Python и пониманием основных математических и статистических концепций, что делает курс хорошей отправной точкой для изучения ИИ, машинного обучения и разработки первых AI-приложений.

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
05.10—06.10.2026
IML
Онлайн
21.12—22.12.2026
IML
Онлайн
24.02—25.02.2027
IML
Онлайн
24.02—25.02.2027
IML
г. Санкт-Петербург / очная форма
26.04—27.04.2027
IML
г. Москва / очная форма
28.06—29.06.2027
IML
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.