Курс нацелен на освоение современных способов решения бизнес-задач на основе алгоритмов машинного обучения. Данный курс позволяет в дальнейшем использовать машинное обучение для решения задач по анализу данных.
Цель курса:
- Изучить принципы работы искусственного интеллекта;
- Освоить современные способы решения бизнес-задач на основе машинного обучения;
- Овладеть теоретическими основами статистического анализа;
- Научиться строить и анализировать модели машинного обучения;
- Выявить закономерности в данных и применить полученные результаты к решению практических задач;
- Научиться использовать нейронные сети для решения задач по анализу данных.
Аудитория:
- Data Scientist;
- Deep Learning Engineer;
- Data Engineer;
- Data Analyst;
- Big Data Analyst;
- Web-аналитик;
- Специалисты, знакомые с анализом данных и программированием;
- Начинающие специалисты по анализу больших данных и машинному обучению.
По окончании курса слушатели смогут:
- Обучать модели на готовых данных, подготавливать данные для решения задач;
- Интерпретировать статистические данные;
- Классифицировать системы искусственного интеллекта;
- Автоматизировать рабочие процессы машинного обучения;
- Работать со статистическими метриками и описательной статистикой;
- Использовать алгоритмы классификации, регрессии и кластеризации для различных задач;
- Выбрать вариант ведения проектов по внедрению ИИ;
- Реализовывать различные подходы машинного обучения с учетом имеющихся данных;
- Оценивать эффективность внедрении ИИ и ML.
Необходимая подготовка:
- Работа со статистикой для анализа данных;
- Знание основ Python;
- Цифровая грамотность.
|
Наименование темы |
Тип занятия |
Описание |
Результат |
|
Основные понятия и история развития искусственного интеллекта и машинного обучения |
Лекция |
Владение понятийным аппаратом искусственного интеллекта и машинного обучения |
|
|
Классификация систем искусственного интеллекта и особенности его применения на практике |
Лекция |
Понимание возможностей искусственного интеллекта и машинного обучения |
|
|
Классификация систем искусственного интеллекта и особенности его применения на практике |
Практическое занятие |
Определение основных принципов управления портфелем проектов внедрения ИИ |
Выявление наиболее эффективных методов применения систем искусственного интеллекта в банке |
|
Особенности проектов внедрения искусственного интеллекта и машинного обучения |
Лекция |
Понимание различных моделей проектов, рисков и выгод проектов |
|
|
Особенности проектов внедрения искусственного интеллекта и машинного обучения |
Практическое занятие |
Определение способов смягчения рисков |
План проекта внедрения системы искусственного интеллекта, карта рисков и описание методов их смягчения |
|
Оценка эффективности внедрения искусственного интеллекта и машинного обучения |
Лекция |
Знание основных методов оценки эффективности внедрения искусственного интеллекта и машинного обучения |
|
|
Оценка эффективности внедрения искусственного интеллекта и машинного обучения |
Практическое занятие |
Построение модели эффективности для проектов внедрения ИИ |
Оценка эффективности внедрения искусственного интеллекта и машинного обучения в банке |
|
Компетенции в области искусственного интеллекта |
Лекция |
Знание компетенций управления данными для топ-менеджеров |
|
|
Компетенции в области искусственного интеллекта и |
Практическое занятие |
Самооценка участников тренинга по выполнению трудовых действий |
Самооценка компетенций в области искусственного интеллекта |