Консультант зі штучного інтелекту

Модулі, пакети та обробка помилок (приблизно 4 дні)

Вступ до модулів та пакетів Python

Імпорт та використання стандартних та сторонніх пакетів

Створення власних модулів та пакетів

Робота з sys та os (функції хост-платформи)

Вступ до винятків та обробки помилок (try, except, finally)

Створення та використання власних винятків

Кращі практики для надійної обробки помилок

Штучний інтелект (ШІ) в робочому процесі

Презентація конкретних технологій ШІ

та можливих застосувань у професійному середовищі

Рядки та основи ООП (близько 8 днів)

Вступ до роботи з рядками

Інтегровані методи роботи з рядками (розбиття, об'єднання, пошук, заміна і т.д.)

Форматування та обробка рядків

Нарізка рядків та робота з регулярними виразами (RegEx)

Вступ до класів, об'єктів, методів екземплярів та змінних

Інкапсуляція, успадкування та поліморфізм

Конструктори (__init__) та деструктори (__del__)

Ієрархії успадкування та суперкласи

Поглиблене вивчення об'єктно-орієнтованого програмування (близько 2,5 днів)

Поглиблене вивчення спадковості та поліморфізму

Застосування магічних методів (__str__, __repr__, __eq__, __lt__ тощо)

Властивості та декоратори в класах

Патерни проектування: singleton, factory та ін.

Розуміння списків для ефективної обробки списків

Лямбда-функції та анонімне написання функцій

Закриття та область видимості в Python

Розуміння та використання генераторів та ітераторів

Робота з файлами, базами даних та веб-розробка (приблизно 2,5 дні)

Читання та запис файлів (CSV, JSON)

Вступ до SQL та підключення до баз даних SQLite

CRUD-операції в базі даних (створення, читання, оновлення, видалення)

Вступ до Flask та створення простого веб-додатку

Маршрути та шаблони у Flask

CRUD-додатки у Flask (інтеграція з базами даних)

Робота над проектом, підготовка до сертифікації та складання сертифікаційного іспиту "PCAP™ - Certified Associate Python Programmer" англійською мовою (близько 3 днів)

Вступ до машинного навчання (близько 5 днів)

Чому машинне навчання?

Приклади застосування

Навчання під контролем, навчання без контролю, частково контрольоване навчання, навчання з підкріпленням

Приклади наборів даних

Знайомство з даними

Навчальні, валідаційні та тестові дані

Перегляд даних

Прогнозування

Навчання під наглядом (приблизно 5 днів)

Класифікація та регресія

Узагальнення, надмірна та недостатня підгонка

Розмір набору даних

Алгоритми для керованого навчання

Лінійні моделі

Байєсівські класифікатори

Дерева рішень

Випадковий ліс

Градієнтний бустінг

k-найближчих сусідів

Машини опорних векторів

Умовне випадкове поле

Нейронні мережі та глибоке навчання

Ймовірності

Самостійне навчання (близько 5 днів)

Типи самостійного навчання

Попередня обробка та масштабування

Перетворення даних

Масштабування навчальних і тестових даних

Зменшення розмірності

Інженерія особливостей

Навчання на множині

Декомпозиція головних компонент (PCA)

Невід'ємна матрична факторизація (NMF)

Навчання на множині з t-SNE

Кластерний аналіз

Кластеризація k-середніх

Агломеративна кластеризація

Ієрархічний кластерний аналіз

DBSCAN

Кластерні алгоритми

Оцінка та вдосконалення (приблизно 2 дні)

Вибір моделі та оцінка моделі

Налаштування гіперпараметрів оцінювача

Перехресна перевірка

Пошук по сітці

Метрики оцінки

Класифікація

Робота над проектом (близько 3 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту

Вступ до глибокого навчання (приблизно 1 день)

Глибинне навчання як різновид машинного навчання

Основи нейронних мереж (близько 4 днів)

Персептрон

Розрахунок нейронних мереж

Оптимізація параметрів моделі, регресія

Бібліотеки глибокого навчання

Регресія проти класифікації

Криві навчання, перенавчання та регуляризація

Гіперпараметрична оптимізація

Стохастичний градієнтний спуск (SGD)

Momentum, Adam Optimiser

Швидкість навчання

Згорткова нейронна мережа (CNN) (приблизно 2 дні)

Класифікація зображень

Згорткові шари, об'єднання шарів

Переформування шарів, згладжування, глобальне середнє об'єднання

Архітектури CNN ImageNet-Competition

Глибокі нейронні мережі, зникаючі градієнти, пропуск зв'язків, пакетна нормалізація

Трансферне навчання (приблизно 1 день)

Адаптація моделей

Попереднє навчання без нагляду

Доповнення даних зображення, зрозумілий ШІ

Регіональний CNN (приблизно 1 день)

Локалізація об'єктів

Регресійні задачі

Розгалужені нейронні мережі

Методи створення креативного іміджу (близько 1 дня)

Генеративні мережі суперництва (GAN)

Deepfakes

Дифузійні моделі

Рекурентні нейронні мережі (приблизно 2 дні)

Аналіз послідовностей

Рекурентні шари

Поширення в часі (BPTT)

Аналіз часових рядів

Проблеми градієнта, що вибухає та зникає

LSTM (Довга короткочасна пам'ять)

GRU (Gated Recurrent Unit)

Глибокий RNN

Deep LSTM

Обробка тексту за допомогою нейронних мереж (близько 2 днів)

Попередня обробка тексту

Вбудовування шарів

Класифікація тексту

Аналіз настрою

Трансферне навчання в NLP

Переклади

Метод "від послідовності до послідовності", архітектура кодер-декодер

Мовні моделі (приблизно 1 день)

BERT, GPT

Шари уваги, трансформатори

Конвеєри генерації тексту

Підсумовування

чат-боти

Навчання з глибоким підкріпленням (приблизно 1 день)

Управління динамічними системами

Агентні системи

Навчання через винагороду

Градієнти політики

Глибоке Q-навчання

Байєсівські нейронні мережі (приблизно 1 день)

Невизначеності в нейронних мережах

Статистична оцінка прогнозів

Достовірність, середньоквадратичне відхилення

Незбалансовані дані

Методи вибірки

Робота над проектом (близько 3 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту