Искусственный интеллект и основы аналитики больших данных

Курс находится на модерации. Данные могут быть неактуальны.

3.8

5 месяцев,

начало По мере набора группы

Сложность

Начинающий

Тип обучения

Профессия

Формат обучения

С проверкой домашнего задания

Трудоустройство

Отсутствует

Стоимость курса

40 000 ₽

есть рассрочка

Чему обучаем?

— проводить анализ данных, выстраивать модели данных

— применять Python для анализа данных

— владеть методами анализа больших данных

— составлять ТЗ для разработки системы обработки данных

— визуализировать данные

— пользоваться алгоритмами искусственного интеллекта

Как проходит обучение?

— лекции с преподавателем 2 раза в неделю, которые можно просматривать из любого региона в удобное время

— консультации с наставником. Он проверит ваши домашние работы и даст обратную связь с профессиональными советами, поможет разобраться со сложными для вас вопросами

— 60% курса — это практические задания, тесты для проверки знаний после каждого модуля

— слушатели выполняют учебный проект для портфолио

— вы получите сопровождение тьютора. Он решит все организационные вопросы и постарается сделать процесс обучения максимально эффективным и комфортным

Что вы получите после обучения

Приобретаемые навыки

Big Data

Python

SQL

Искусственный интеллект

Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Воробьева Мария

курсов

преподаватель на базовой кафедре факультета компьютерных наук в ВШЭ

Ведущий Data Scientist
Преподаватель на базовой кафедре факультета компьютерных наук в ВШЭ более 4-х лет

Мокшин Владимир

курсов

Канд. тех. наук , опыт более 12 лет программирования на C#, MySQL, имитационное моделирование (оптимизация бизнес-процессов) в Anylogic / GPSS, работа с виртуальными машинами VMWare/Oracle VirtualBox, работа в Matlab, Statistica, Python

Опубликовано более 100 научных трудов (4 монографии; 15 статей в рецензируемых журналах, входящих в наукометрическую базу Скопус; более 20 статей в журналах, рекомендованных ВАК

Чимитова Екатерина

курсов

Д. тех. н., область научных исследований – статистические методы анализа данных типа времени жизни

Д. тех. н., область научных исследований – статистические методы анализа данных типа времени жизни.
Опыт работы в академической сфере и в области Data Science.
Педагогический стаж более 20 лет.

Образовательная организация

Университет Иннополис

4.6

618 отзывов

Университет Иннополис — это новый российский ИТ-вуз международного уровня.

Вуз занимает первое место в рейтинге по качеству ИТ-образования и вошел в тройку лучших вузов Татарстана. В университете обучают будущих специалистов в области высоких технологий по программам бакалавриата, магистратуры и аспирантуры.

Также в университете созданы условия для профессионального развития в ИТ-сфере, как сотрудникам компаний, так и тем, кто только делает первые шаги в этой области. С 2016 года на базе Университета Иннополис более 54 тысяч человек прошли курсы повышения квалификации и профессиональной переподготовки. Университет Иннополис — место, где рождаются идеи и сервисы, которые в скором изменят нашу жизнь. Здесь помогают осваивать цифровые профессии с навыками для работы над ИТ-проектами.

Начните разрабатывать сервисы, тестировать приложения, обрабатывать машинными методами большие массивы данных — команда преподавателей из опытных разработчиков поможет овладеть специальными инструментами.

Программа курса

Модуль 1. Основные этапы и направления исследований в области систем искусственного интеллекта

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»

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»

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»

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