Онлайн-курс для школьников 6–11 классов
Искусственный интеллект
ФАКУЛЬТЕТ ПРОФЕССИОНАЛЬНОГО ПРОГРАММИРОВАНИЯ
«Pandas» — высокоуровневая библиотека Python для анализа данных
Искусственный Интеллект (ИИ) – это способность компьютерных систем выполнять творческие и интеллектуальные функции для решения поставленных задач с возможностью постепенного самообучения.
Что такое ИИ?
В рамках курса школьники смогут близко познакомиться с одним из очень популярных ИТ-направлений и с нуля не только погрузятся в сферу Data science, но и прокачают знания программирования на Python. В ходе занятий участники изучат библиотеки для анализа данных, закрепят на практике новые знания по поиску признаков данных и обучению различных моделей для своего ИИ. В конце курса участников ждёт тема фреймворков для искусственного интеллекта, а также много практических заданий для изучения Data science.
Что будет на курсе?
На бесплатном уроке ребёнок сможет на практике познакомиться с направлением и вы вместе решите, хотите ли заниматься!
— Для занятий предварительных знаний не требуется, начнём с основ Python для анализа данных
Программа курса
— Курс состоит из 128 ак. часов
— Занятия проходят 2 раза в неделю по 2 ак. часа
— Занятия проходят 2 раза в неделю по 2 ак. часа
— Курс состоит из 128 ак. часов
— Занятия проходят 2 раза в неделю по 2 ак. часа
— Для занятий предварительных знаний не требуется, начнём с основ Python для анализа данных
— Занятия проходят 2 раза в неделю по 2 ак. часа
— Для занятий предварительных знаний не требуется, начнём с основ Python для анализа данных
— Введение в анализ данных
— Введение в Python
— Работа со списками, строками и словарями в Python
— Работа с циклами в Python
— Работа с файлами в Python
— Основы объектно-ориентированного программирования (ООП) в Python
— Библиотеки в Python. Основы использования Pandas
— Работа с библиотекой Pandas
— Введение в Python
— Работа со списками, строками и словарями в Python
— Работа с циклами в Python
— Работа с файлами в Python
— Основы объектно-ориентированного программирования (ООП) в Python
— Библиотеки в Python. Основы использования Pandas
— Работа с библиотекой Pandas
— Библиотеки для визуализации данных в Python
— Основы линейной алгебры
— Работа с библиотекой Numpy
— Работа с библиотекой Scikit-Learn
— Линейная регрессия
— Логистическая регрессия
— Работа с решающими деревьями в Python
— Теоретические основы нейросетей
— Основы линейной алгебры
— Работа с библиотекой Numpy
— Работа с библиотекой Scikit-Learn
— Линейная регрессия
— Логистическая регрессия
— Работа с решающими деревьями в Python
— Теоретические основы нейросетей
— Обучение нейронных сетей
— Работа с реальными данными в Pandas
— Теория и практика свёрточных нейронных сетей
— Архитектуры свёрточных нейронных сетей
— Решение задачи классификации
— Дообучение нейронных сетей
— Теория по обработке естественного языка
— Практикум по обработке естественного языка
— Работа с реальными данными в Pandas
— Теория и практика свёрточных нейронных сетей
— Архитектуры свёрточных нейронных сетей
— Решение задачи классификации
— Дообучение нейронных сетей
— Теория по обработке естественного языка
— Практикум по обработке естественного языка
— Логистическая регрессия. Вероятностный взгляд на машинное обучение
— Вероятностный взгляд на L1 и L2-регуляризаторы
— Формула Байеса при решении конкретных задач
— Байесовский вывод. Наивная байесовская классификация
— Гауссовский байесовский классификатор
— Линейный дискриминант Фишера
— Вероятностный взгляд на L1 и L2-регуляризаторы
— Формула Байеса при решении конкретных задач
— Байесовский вывод. Наивная байесовская классификация
— Гауссовский байесовский классификатор
— Линейный дискриминант Фишера
— Что такое Tensorflow? Примеры применения. Установка
— Тензоры tf.constant и tf.Variable. Индексирование и изменение формы
— Математические операции и функции над тензорами
— Реализация автоматического дифференцирования. Объект GradientTape
— Строим градиентные алгоритмы оптимизации Adam, RMSProp, Adagrad, Adadelta
— Делаем модель с помощью класса tf.Module. Пример обучения простой нейросети
— Делаем модель нейросети для распознавания рукописных цифр
— Декоратор tf.function для ускорения выполнения функций
— Введение в Keras
— Введение в модели и слои бэкэнда Keras
— Keras — последовательная модель Sequential
— Keras — введение в функциональное API
— ResNet — революция глубокого обучения. Исчезающие и взрывающиеся градиенты
— Создаем ResNet подобную архитектуру для классификации изображений CIFAR-10
— Тонкая настройка и контроль процесса обучения через метод fit()
— Тонкая настройка обучения моделей через метод compile()
— Способы сохранения и загрузки моделей в Keras
— Тензоры tf.constant и tf.Variable. Индексирование и изменение формы
— Математические операции и функции над тензорами
— Реализация автоматического дифференцирования. Объект GradientTape
— Строим градиентные алгоритмы оптимизации Adam, RMSProp, Adagrad, Adadelta
— Делаем модель с помощью класса tf.Module. Пример обучения простой нейросети
— Делаем модель нейросети для распознавания рукописных цифр
— Декоратор tf.function для ускорения выполнения функций
— Введение в Keras
— Введение в модели и слои бэкэнда Keras
— Keras — последовательная модель Sequential
— Keras — введение в функциональное API
— ResNet — революция глубокого обучения. Исчезающие и взрывающиеся градиенты
— Создаем ResNet подобную архитектуру для классификации изображений CIFAR-10
— Тонкая настройка и контроль процесса обучения через метод fit()
— Тонкая настройка обучения моделей через метод compile()
— Способы сохранения и загрузки моделей в Keras
Результаты курса
На курсе участники будут разрабатывать собственные различные ансамбли моделей с применением ИИ, что позволит закрепить знания по Data engineering и попробовать себя в роли Data science.
Практический опыт
В ходе занятий школьники изучат библиотеки для анализа данных, смогут применить новые полученные знания в поиске признаков по данным и для обучения различных моделей для искусственного интеллекта.
Погружение в Data science
Изучим и систематизируем основные знания программирования на языке Python для использования в разработке проектов с применением искусственного интеллекта.
Основы программирования
Методист курса
Методист курсов ИТ-школы «Прогматика» по направлениям: Python Pro, ИИ, ИБ, Мобильная разработка, ЕГЭ и ОГЭ по информатике. Окончила школу мобильной разработки Samsung с золотым дипломом, победительница: WorldSkills по РТ по мобильной разработке на Java, Конгресса Молодых Ученых, хакатонов Skill Up и Local Hack Day2020.Save The World по треку fakenews.
Карина Янышевская
Плюсы обучения в Прогматике!
В процессе обучения вы получите
После обучения вы получите
Сертификат об успешном освоении программы
Интерактивные онлайн-занятия с преподавателем
Удобный формат: индивидуальные или груповые занятия
Телеграм-чат с педагогом и куратором
Помощь с домашними заданиями и их разбор
Сообщество единомышленников
Поддержка на протяжении всего обучения
Вечный доступ к видеозаписям занятий и учебным материалам
Проекты в портфолио
Часто задаваемые вопросы
Старт групповых занятий запланирован на сентябрь 2022. По мере формирования групп вы сможете обсудить с менеджером школы свои пожелания по расписанию и мы постараемся сформировать график занятий оптимальным для каждого :)
— ПК с доступом к интернету, веб-камера и микрофон.
— Интернет-соединение минимум от 25 Мбит/с (рекомендуем от 50 Мбит/с), проверить можно здесь: speedtest.net
— Оперативная память: от 4 ГБ для начала, рекомендуется 16 ГБ
— Место на жёстком диске: 5 ГБ
— Операционная система:
▪️ Windows 8 или выше
▪️ macOS 10.14 Mojave или выше
▪️ Debian, Ubuntu или RHEL
— Процессор:
▪️ Intel i3 2-го поколения или производительнее
▪️ AMD A6-3500 или производительнее
— Интернет-соединение минимум от 25 Мбит/с (рекомендуем от 50 Мбит/с), проверить можно здесь: speedtest.net
— Оперативная память: от 4 ГБ для начала, рекомендуется 16 ГБ
— Место на жёстком диске: 5 ГБ
— Операционная система:
▪️ Windows 8 или выше
▪️ macOS 10.14 Mojave или выше
▪️ Debian, Ubuntu или RHEL
— Процессор:
▪️ Intel i3 2-го поколения или производительнее
▪️ AMD A6-3500 или производительнее
Все занятия записываются и все участники получают вечный доступ к записям, так что вы всегда можете посмотреть пропущенные занятия в записи или повторить материал!
Да, возможен. По согласованию с преподавателем и куратором.
Да, с сентября вы можете оформить на все курсы ИТ-школы налоговый вычет в размере 13%, за подробностями обратитесь к куратору обучения.
Да, на индивидуальных занятиях мы можем организовать расписание по вашему индивидуальному запросу в зависимости от желаемого темпа и регулярности занятий. Регулярность и продолжительность занятий в индивидуальном обучении зависят от ваших пожеланий и целей.
- знакомство с преподавателем и форматом ИТ-школы
- возможность задать вопросы о курсе и обучении
- интерактивное занятие
- вводная информация о курсе
нажимая на кнопку «Записаться» вы даете согласие на обработку своих персональных данных в соответствии с политикой конфиденциальности
Первый шаг — пробный урок
Новости школы
420500, г. Иннополис
ул. Университетская, д. 1
ул. Университетская, д. 1
Онлайн–программа
Направления