Введение в искусственный интеллект

Работа с данными и математическими операциями в Python

Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.

• Устанавливаем программы для прохождения курса
• Управляем вводом и выводом данных в первой программе по Python

Основные конструкции языка Python

Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.

• Изучаем условия if, elif, else
• Изучаем циклы for, while
• Тренируемся программировать на Python и создаём программу с базовыми алгоритмами
  

Структуры данных в Python

Изучаем принципы работы с данными.

• Узнаём, как работают данные, списки, словари и файлы
• Знакомимся с датасетом — набором данных. Учимся его обрабатывать с помощью простейших операций
• Занимаемся вводом и выводом данных
  

Функции в Python

Изучаем, как работать с функциями.

• Узнаём, как создавать функции и передавать параметры
• Изучаем глобальные и локальные переменные
• Добавляем полезные функции к датасету из третьего урока

Pandas. Установка. Учимся работать с данными и таблицами

Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных. 

• Получаем датасет с числовыми метриками
• Устанавливаем Pandas, изучаем базовые команды и учимся работать с таблицами
• Обрабатываем датасет с помощью Pandas: загружаем и выгружаем данные

Pandas. Основные функции

После того, как мы загрузили датасет, начинаем осваивать базовые функции.

• Узнаём, как работают различные функции Pandas: подсчет, создание категорий выборок датасета и др
• Учимся применять функции из предыдущего урока на нашем датасете

Numpy: улучшение математического аппарата

Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.

• Узнаём потенциал Numpy для работы с машинным обучением
• Тренируемся работать с операциями высшей математики с помощью библиотеку Numpy

Numpy: машинное обучение без учителя

Узнаём, что такое обучение без учителя.

• Строим классическую модель обучения без учителя в Numpy
• Строим первую модель предсказания в библиотеке Numpy

‍

Обучение с учителем. Ближайшие соседи

Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.

• Осваиваем базовые принципы машинного обучения 
• Придумываем и реализовываем простой алгоритм
• Возьмём классификатор на датасете

Линейная регрессия. Функция потерь и логистическая регрессия

Разбираем практические задачи. 

• Учимся оценивать качество алгоритмов и выбирать наилучший вариант
• Изучаем функцию потерь и учимся их минимизировать
• Визуализируем данные и решаем задачи по линейной регрессии

Градиентный спуск

Знакомимся с методом градиентного спуска, чтобы оценивать качество работы нейронной сети.

• Оцениваем качество алгоритма машинного обучения, функция ошибки
• Узнаём, как производные и градиентный спуск помогают уменьшать ошибки алгоритма
• Закрепляем метод градиентного спуска для переменных

Работаем с базовой нейронной сетью

Узнаём, какие преимущества и недостатки есть у нейронной сети. 

• Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов
• Запускаем предобученную нейронную сеть, чтобы распознавать истинные и ложные данные

Линейная регрессия

Прогнозируем значение переменных по заранее известным данным. 

• Определяем задачи регрессии, чтобы прогнозировать стоимость домов
• Наглядно визуализируем данные с помощью матрицы корреляций
• Учимся измерять качество регрессии, чтобы проверить наши предположения
• Применяем метод градиентного спуска, чтобы найти минимум средней квадратической ошибки

Настройка параметров нейронной сети

Узнаём, как настраивать нейронную сеть.

• Узнаём, какие настройки существуют
• Отрабатываем настройки параметров нейронной сети

Настройка параметров нейронной сети

Узнаём, как настраивать нейронную сеть.

• Узнаём, какие настройки существуют
• Отрабатываем настройки параметров нейронной сети

Логистическая регрессия

Прогнозируем результаты с помощью логистических функций.

• Узнаём, что такое логистическая функция,  какие у нее свойства и преимущества
• Применяем метод градиентного спуска для логистической регрессии, чтобы определять стоимость домов

Работаем с базовой нейронной сетью

Узнаём о преимуществах и недостатках нейронных сетей.

• Сравниваем устройство нейронных сетей с нервной системой человека
• Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов
• Запускаем нейронную сеть, чтобы распознавать рукописные цифры

Выпускной урок

• Ребят ждёт увлекательное соревнование: нужно улучшить нейронную сеть
• После соревнования все ребята получат сертификат о прохождении курса. За лучшие результаты выдаём призы
• В конце проведём небольшой семинар на 15–20 минут. Ребята узнают, в каких областях можно применять новые знания, и в какие вузы лучше поступать

Выпускной урок

Настраиваем нейронную сеть и подводим итоги.

• Узнаём, как оптимизировать нейронные сети
• Соревнуемся: строим свою нейронную сеть
• Подводим итоги курса