Искусственный интеллект и основы аналитики больших данных

Сертификат: Нет
Формат: Online
Язык: Русский
Осталось мест: не ограничено

40 000 ₽/курс

5 месяцев

Вы будете перенаправлены на сайт партнера.

Искусственный интеллект и основы аналитики больших данных

Курс направлен на изучение основ искусственного интеллекта, работы с базами данных, линейной математики и получение практических навыков в области анализа данных и ИТ-технологий

Для кого:
Новичкам
Программистам
Аналитикам

Компетенции:

Научим проводить анализ данных, выстраивать модели данных
Применять Python для анализа данных
Владеть методами анализ больших данных
Составлять ТЗ для разработки системы обработки данных
Визуализировать данные
Пользоваться алгоритмами искусственного интеллекта

Подскажем какие навыки и где прокачать

Узнать

Программа обучения

Модуль 1. «Основные этапы и направления исследований в области систем искусственного интеллекта»
Модуль включает в себя следующие темы:
- Современный искусственный интеллект
- Нормы этики и морали в сфере разработки искусственного интеллекта
- Варианты использования AI Use Case для аналитики в различных отраслях экономики. (Клиентская и товарная аналитика в Ритейле. Онлайн аналитика.)
- Варианты использования AI Use Case для аналитики в различных отраслях экономики. (Финансовый сектор. Аналитика в играх)
- Технология формирования технического задания на аналитику или разработку системы обработки данных
- Промежуточная аттестация
Модуль 2 «Основы Python для анализа и обработки данных»
Модуль включает в себя следующие темы:
- Основы программирования
- Введение в Python
- Структуры данных в Python
- Базовые алгоритмы Python
- Введение в комбинаторику
- Теория вероятностей
- Статистика в Python
- A/B Тестирование
- Инструменты Python для обработки данных. Pandas
- Визуализация на Python. Matplotlib. Seaborn. Plotly
- Промежуточная аттестация
Модуль 3 «Базы данных и дашборды»
Модуль включает в себя следующие темы:
- Источники данных. Структурированные и неструктурированные источники данных
- Виды баз данных
- Реляционные базы данных
- SQL и получение данных
- Применение соединения (JOIN) и агрегатные функции
- Оконные функции: простые запросы, накопление
- Сервисы создания дашбордов (Power BI)
- Преобразование сложных данных в простые для восприятия и ценные для бизнеса сведения
- Построение моделей данных из разных неструктурированных источников: таблиц, сайтов и баз данных
- NoSQL-подход
- MapReduce-подход и Apache Hadoop - обзор
- ETL - подготовка и предобработка данных
- Контроль качества данных
- Промежуточная аттестация
Модуль 4 «Алгоритмы Искусственного интеллекта»
Модуль включает в себя следующие темы:
- Основы машинного обучения. Типы задач машинного обучения. Регрессия и классификация. Линейная регрессия и логистическая
- Оценка качества алгоритмов машинного обучения. Метрики качества регрессии и классификации
- k ближайших соседей. Метод опорных векторов
- Решающее дерево
- Ансамбли. Бэгинг. Бустинг
- Алгоритмы понижения размерности
- Виды кластеризации. k-means. Оценка качества кластеризации
- Нейросети. PyTorch
- Промежуточная аттестация
Интервью
Итоговая аттестация