Актуальность
Технологии искусственного интеллекта применяются во всех отраслях экономики для автоматизации рутинных процессов и решения задач, требующих уникальных знаний. Архитекторы в области искусственного интеллекта проектируют и разрабатывают системы ИИ, алгоритмы машинного обучения, нейросети для цифровых продуктов.
Являясь связующим звеном между дата-сайентистами, дата-инженерами, разработчиками, операционным направлением (DevOps, DataOps, MLOps) и руководителями бизнес-подразделений по управлению задачами в области ИИ, архитекторы в области ИИ сосредоточены на создании надежной корпоративной архитектуры для искусственного интеллекта.
Такие специалисты востребованы в онлайн-бизнесе, в госкорпорациях и на предприятиях для внедрения надежных и масштабируемых ИИ-решений, адаптированных под конкретные производственные и бизнес-задачи.
Чему научитесь
Классифицировать и идентифицировать задачи ИИ, выбирать адекватные методы и инструментальные средства решения таких задач.
Применять программные средства автоматизированного логического вывода и автоматизированной проверки гипотез.
Разрабатывать и применять методы машинного обучения для решения задач.
Использовать инструментальные средства для решения задач машинного обучения.
Создавать и поддерживать системы ИИ на основе нейросетевых моделей и методов.
Создавать и внедрять сквозные цифровые субтехнологии ИИ.
Структура
Основные принципы работы искусственного интеллекта и его виды. Введение в языки программирования. Основные популярные языки для ИИ. Основные инструменты для работы с данными. Статистический и описательный анализ данных. Основные библиотеки Python для визуализации данных. Matplotlib, Seaborn, Plotly. EDA — разведочный анализ данных. Как найти особенности в данных.
Введение в базы данных и теорию хранения данных. Язык SQL. Реляционные базы данных, использование SQL. Введение в Hadoop. DWH, Data Lake, NoSQL хранилища данных. Массово-параллельная обработка и анализ данных. Работа с PySpark. Потоковая обработка данных (data streaming, event processing). Шины данных (kafka). Введение в ML. Основные задачи, виды классических моделей, метрики качества моделей. BI-системы и визуализация данных.
Линейная алгебра, работа с Numpy, принцип работы классических моделей ML. Погружение в ML. Обучение с учителем. Способы улучшить качество модели. Feature engineering. Методы оптимизации. Погружение в ML. Обучение без учителя. Погружение в ML. Временные ряды. Погружение в ML. Рекомендательные системы. Развертывание модели в производство. Методы поиска новых производственных режимов (интеллектуальное планирование экспериментов).
Введение в нейронные сети. Сверточные и полносвязные нейронные сети. CV — компьютерное зрение. NLP – обработка естественного языка. GAN — генеративные модели. Автокодировщики. RL — обучение с подкреплением. Процесс, стадии и методологии разработки решений на основе искусственного интеллекта.
Специальность подойдет, если ты
Хотите инновационную профессию и заинтересованы в приобретении новых компетенций.
Имеете высшее или среднее профессиональное образование.
Предприниматель, работник или владелец компании IT-сектора.
Специалист из других профессиональных сфер, близких к области информационных технологий.
По окончании обучения
· удостоверение о повышении квалификации
· базовое портфолио и профессиональные наработки для создания собственных проектов
· консультации и помощь экспертов по вопросам успешной IT-карьеры.