Нейросети и машинное обучение

Кому подойдет этот курс?

IT-профессия

Для учащихся 8-11 классов и студентов 

Начинающим разработчикам. Курс для тех, кто хочет разобраться в теме машинного обучения и понять, как использовать нейросети в современных реалиях. Рекомендован после прохождения курсов "Программирование на Python; С++". 

Какие знания дает курс?

Узнаете, как устроены нейронные сети для задач компьютерного зрения и лингвистики. Научитесь применять нейронные сети для решения реальных задач, освоите фреймворки для обучения нейронных сетей. 

Как проходит обучение?

Где могут пригодиться полученные знания?

Станете программистом по анализу данных, алгоритмам машинного обучения и нейросетям, сможете построить карьеру в крупной технологической компании. Курс необходим для участия в Олимпиаде РСОШ "Информатика", НТО - профиль "Большие данные и машинное обучение", "Профессионаллы", "ИИ - от Сбербанк" и другие.

.

Программа курса

1. Раздел 1. Введение в ИИ. Python для анализа данных

   • Теория: Понятие искусственного интеллекта, машинного обучения и глубокого обучения (различия и взаимосвязь). Архитектура современных ИИ-систем. Среда разработки Google Colab / Jupyter Notebook. Библиотеки NumPy (работа с векторами и матрицами), Pandas (работа с табличными данными) и Matplotlib/Seaborn (визуализация данных).

   • Практика: Первичный разведочный анализ данных (EDA). Загрузка датасетов, очистка данных от пропусков и аномалий, построение корреляционных матриц и графиков распределения.

2. Раздел 2. Классическое машинное обучение

   • Теория: Обучение с учителем (Supervised Learning). Задачи классификации и регрессии. Алгоритмы: Линейная регрессия, Логистическая регрессия, Метод k-ближайших соседей (k-NN), Деревья решений. Понятие переобучения (Overfitting) и недообучения. Метрики качества моделей (Accuracy, Precision, Recall, MSE).

   • Практика: Создание и обучение предсказательных моделей на базе библиотеки Scikit-Learn (например, предсказание стоимости недвижимости или классификация видов растений). Разделение выборки на обучающую и тестовую.

3. Раздел 3. Введение в нейросети. Глубокое обучение

   • Теория: Биологический и искусственный нейрон. Функция активации (ReLU, Сигмоида). Архитектура Перцептрона. Как обучается нейросеть: функция потерь (Loss Function), метод обратного распространения ошибки (Backpropagation), градиентный спуск (Gradient Descent). Знакомство с фреймворком PyTorch / TensorFlow.

   • Практика: Написание и обучение простейшей полносвязной нейросети для распознавания рукописных цифр (классический датасет MNIST). Мониторинг процесса обучения (динамика падения лосса).

4. Раздел 4. Компьютерное зрение (Computer Vision)

   • Теория: Как компьютер видит изображения. Ограничения полносвязных сетей при работе с графикой. Сверточные нейронные сети (CNN): операция свертки (Convolution), пулинг (Pooling). Понятие архитектур (ResNet, MobileNet). Предобученные сети и Transfer Learning (перенос обучения).

   • Практика: Создание системы распознавания объектов на изображениях (например, классификатор «дрон / птица / самолет»). Использование библиотек OpenCV и PyTorch.

5. Раздел 5. Обработка текста и генеративный ИИ (NLP & LLM)

   • Теория: Специфика текстовых данных. Токенизация и векторизация текста (Bag of Words, TF-IDF). Эмбеддинги слов (Word2Vec). Общий обзор рекуррентных сетей (RNN) и архитектуры Transformer. Принципы работы современных больших языковых моделей (LLM, вроде ChatGPT/YandexGPT) и диффузионных моделей генерации картинок (Midjourney, Шедеврум). Prompt Engineering.

   • Практика: Создание классификатора тональности отзывов (определение позитивных и негативных комментариев). Настройка простейшего чат-бота с использованием API генеративных сетей.

6. Раздел 6. Олимпиадный блок: подготовка к хакатонам

   • Теория: Разбор специфики соревнований Kaggle и олимпиадных задач ВсОШ/НТО. Стратегии подбора гиперпараметров моделей. Особенности презентации ИИ-решений перед экспертами.

   • Практика: Участие во внутреннем симуляционном хакатоне ЦМИТ. Самостоятельное решение комплексного кейса (Data-ориентированная задача) в командах на время с защитой работающего прототипа модели.

Преподаватель

Записаться на курс