Иннополис

Архитектор в области искусственного интеллекта

  • Сертификат: Есть
  • Формат: Online
  • Язык: Русский
  • Осталось мест: не ограничено
Записаться

Архитектор в области искусственного интеллекта

Слушатели курса получат навыки для определения требований к системам на основе машинного обучения и контроля процесса разработки на всех этапах жизненного цикла ИТ-проекта. Изучите язык программирования Python, инструменты Matplotlib, Pandas, NumPy, SQL для обработки, анализа и моделирования больших данных. В конце курса разработаете проект на основе машинного обучения.

Для кого:
Граждане РФ от 18 лет и до достижения пенсионного возраста: — имеющие среднее специальное или высшее образование или — получающие среднее специальное или высшее образование (студенты колледжей, техникумов и вузов
— начинающие разработчики;
— студенты ИТ-направлений;
— специалисты, желающим сменить сферу деятельности.

Компетенции:
  1. Понимать методы машинного обучения
  2. Работать с Python, Matplotlib, Sklearn, Pandas, NumPy, SQL для обработки, анализа и моделирования больших данных
  3. Проектировать базы данных и развертывать системы на основе машинного обучения
  4. Применять статистические методы для проверки гипотез

Построй траекторию прямо сейчас и получи скидку на первый месяц

Программа обучения
  • Введение в роль Архитектора ИИ
    Модуль включает в себя следующие темы:
    • Кто такой архитектор в области искусственного интеллекта?
    • Введение в линейную алгебру
    • Введение в математическую статистику
    • Построение гипотез. A/B тестирование. Автотестирование гипотез.
    • Сбор требований к моделям машинного обучения
    • Жизненный цикл ПО
  • SQL. PostgreSQL
    Модуль включает в себя следующие темы:
    • Язык запросов SQL. Основные конструкции
    • Язык запросов SQL. Операторы соединения
    • Язык запросов SQL. Реляционная модель данных
    • Язык запросов SQL. Индексация. Нагрузочное тестирование
    • Иерархическая модель данных / EAV / Data Vault
    • OLAP. Модели Снежинка и Звезда. Витрины данных
    • Виртуальные таблицы. Материализованные представления
    • Нормализация модели данных до 3 НФ
    • Триггеры
    • Функциональный язык программирования PL/pgSQL
    • Промежуточная аттестация
  • Python
    Модуль включает в себя следующие темы:
    • Введение в Python. Основные конструкции и операторы
    • Типы данных, функции, ошибки
    • Основные библиотеки: Numpy
    • Основные библиотеки: Pandas
    • Основные библиотеки: MatplotLib / Seaborn
    • Понятия ООП: наследование, инкапсуляция, полиморфизм
    • Работа с итераторами и генераторами
    • Функциональное программирование в Python
    • Многопоточность в Python
    • Git контроль версий
    • Работа с РСУБД. PostgreSQL / MySQL + pandas
    • Работа с декораторами, контекстными менеджерами
    • Метапрограммирование
    • Тестирование кода. Unit тесты
    • Фреймворки Flask и FastAPI
    • Работа с Web scraping
    • Промежуточная аттестация
  • Подготовка данных
    Модуль включает в себя следующие темы:
    • Построение архитектуры данных
    • Транспортный слой данных (Kafka / Pulsar)
    • Сбор данных. Логические слои данных
  • Качество данных / каталогизатор данных
    Модуль включает в себя следующие темы:
    • Качество данных в рамках потоковых и batch данных
    • Каталогизатор данных
  • Микросервисная архитектура
    Модуль включает в себя следующие темы:
    • Виртуализация. Облачные ресурсы.
    • Контейнеризация микросервиса. Docker
    • Пакетные и асинхронные режимы работы
    • Docker Compose и масштабирование
    • Kubernetes. Контейнеризация
  • Основы машинного обучения
    Модуль включает в себя следующие темы:
    • Введение в классический ML
    • Задача линейной регрессии / множественной линейной регрессии
    • Задача полиномиальной регрессии
    • Задача кластеризации
    • Задача логистической регрессии
    • Алгоритм SVM / Decision Tree
    • Алгоритм Random Forest / Gradient boosting
    • Нейронные сети и глубокое обучение
    • Введение в NLP
    • Глубокое обучение в NLP
    • Языковые модели LLM
    • Введение в Computer Vision
    • Архитектуры нейронных сетей для Computer Vision
  • Версионирование и размещение моделей
    Модуль включает в себя следующие темы:
    • Feature каталог. Инструмент MLFlow
    • AutoML. Развертывание модели ИИ как сервис
    • Промежуточная аттестация
  • Итоговая аттестация