Курс «Интеграция решений с применением технологий искусственного интеллекта»

Базовый Python

Освоите основные конструкции Python и научитесь писать простые программы для работы с данными.

Темы:

• основы синтаксиса Python;
• типы данных;
• условные выражения;
• циклы и их организация;
• функции;
• словари и множества;
• работа со сложными структурами данных.

Введение в ИИ и LLM

Разберётесь, как работают языковые модели, какие у них ограничения и как составлять запросы для своих задач.

Темы:

• искусственный интеллект и большие языковые модели;
• принципы обучения языковых моделей;
• ограничения знаний моделей;
• создание качественных промптов;
• продвинутые техники промптинга;
• тегирование и цепочки промптов;
• тестирование и улучшение запросов;
• поиск в интернете и работа с базой знаний;
• параметры языковых моделей.

Создание плана по применению ИИ в работе

Научитесь анализировать рабочие процессы, находить задачи для ИИ и планировать проверку своих идей.

Темы:

• аудит рабочих задач;
• анализ работы бизнеса и отдела;
• приоритизация задач по ICE и WSJF;
• обзор ИИ-инструментов и их ограничений;
• выбор инструмента под задачу;
• поиск точек применения ИИ в личной работе и команде;
• выбор идей для внедрения;
• гипотезы, эксперименты и план применения ИИ.

Проектные работы: проведёте аудит рабочих процессов и подготовите план анализа задач для внедрения ИИ.

Внедрение ИИ в бизнес-процессы

Научитесь собирать решения в Yandex AI Studio, описывать требования к разработке и оценивать стоимость использования ИИ.

Темы:

• техническое задание и бюджет;
• взаимодействие с разработчиками;
• основы RAG и векторного поиска;
• знакомство с LangChain, LlamaIndex и RAG-Anything;
• сборка RAG-решения в Yandex AI Studio;
• основы дообучения моделей;
• дообучение модели в Yandex AI Studio;
• создание ИИ-агентов;
• автоматизация с помощью n8n;
• сценарии использования и метрики ИИ-решения;
• расчёт стоимости компонентов и отдельного сценария;
• оптимизация затрат и оценка бизнес-эффекта.

Проектная работа: составите техническое задание на разработку ИИ-решения.

Промежуточное тестирование

Проверите понимание основ Python, языковых моделей и применения ИИ в работе.

Python для анализа данных

Научитесь исследовать и подготавливать табличные данные с помощью библиотеки pandas.

Темы:

• основы pandas и первичный обзор данных;
• типы данных;
• индексация в датафреймах;
• фильтрация данных;
• обработка пропусков;
• категоризация данных.

Исследовательский анализ данных и визуализация с помощью Python

Научитесь находить закономерности в данных и использовать графики для их изучения.

Темы:

• объединение датафреймов;
• описательная статистика;
• взаимосвязь переменных;
• визуализация данных;
• сводные таблицы;
• проведение исследовательского анализа.

Инструменты разработки для ML и ООП

Познакомитесь с инструментами для работы над кодом и основами объектно ориентированного программирования.

Темы:

• работа с терминалом;
• виртуальное окружение;
• система контроля версий;
• основы объектно ориентированного программирования.

Модель линейной регрессии

Разберётесь, как модели прогнозируют числовые значения, и научитесь оценивать качество прогнозов.

Темы:

• введение в машинное обучение;
• линейные модели;
• обучение линейной регрессии;
• оценка качества модели;
• применение линейной регрессии на практике.

Логистическая регрессия

Научитесь решать задачи классификации и проверять, насколько хорошо модель различает классы.

Темы:

• подготовка данных;
• линейная классификация;
• метрики качества классификации;
• кросс-валидация;
• организация процесса обучения логистической регрессии.

Метод опорных векторов

Изучите ещё один подход к классификации и научитесь отбирать признаки и калибровать вероятностные прогнозы.

Темы:

• метод опорных векторов — SVM;
• нелинейные ядра;
• калибровка классификаторов;
• отбор признаков.

Многоклассовая классификация

Научитесь решать задачи, в которых модель выбирает один из нескольких классов.

Темы:

• постановка задачи многоклассовой классификации;
• метрики классификации;
• расчёт метрик в scikit-learn;
• подход One-vs-Rest;
• подход One-vs-One;
• многоклассовая логистическая регрессия;
• реализация и сравнение подходов.

Проектная работа: исследуете данные о поведении анонимных пользователей и подготовите их для модели определения примерного возраста.

Нелинейные модели

Разберётесь, как модели находят зависимости, которые нельзя описать линейно.

Темы:

• метод ближайших соседей — kNN;
• деревья решений;
• свойства решающих деревьев.

Метод случайного леса

Научитесь объединять модели и учитывать особенности данных при обучении и проверке качества.

Темы:

• ансамблирование моделей;
• смещение и разброс модели;
• алгоритм случайного леса;
• валидация данных с временной структурой;
• работа с дисбалансом классов.

Градиентный бустинг

Разберётесь, как последовательное объединение моделей помогает улучшать прогнозы.

Темы:

• принципы градиентного бустинга;
• реализация алгоритма;
• стекинг моделей;
• векторизация текстовых данных.

Обучение без учителя

Научитесь находить группы похожих объектов и сокращать число признаков в данных.

Темы:

• основы кластеризации;
• алгоритм K-Means;
• алгоритм DBSCAN;
• снижение размерности;
• алгоритмы PCA и t-SNE.

Проектная работа: продолжите работу над моделью определения примерного возраста пользователя: обучите её, оцените качество и подготовите выводы.

Промежуточное тестирование по машинному обучению

Проверите знания о подготовке данных, обучении моделей и оценке их качества.

Фундаментальные основы Deep Learning

Узнаете, из чего состоят нейронные сети и как они обучаются на данных.

Темы:

• введение в нейронные сети;
• принципы обучения нейросетей;
• знакомство с PyTorch.

Рекуррентные нейронные сети — от основ к трансформерам

Разберётесь, как нейросети обрабатывают последовательности и какую роль играет механизм внимания.

Темы:

• работа с последовательными данными;
• простые рекуррентные сети и их ограничения;
• архитектуры GRU и LSTM;
• двунаправленные рекуррентные сети;
• механизм внимания;
• переход к трансформерам.

Свёрточные нейронные сети — базовые принципы и продвинутые методы

Узнаете, как свёрточные сети работают с изображениями и от чего зависит качество распознавания.

Темы:

• основы свёрточных нейронных сетей;
• архитектуры CNN;
• применение свёрточных сетей;
• способы улучшения качества распознавания.

Предобработка данных для моделей глубокого обучения

Разберётесь, как подготавливают тексты, изображения и аудио для работы с нейросетями.

Темы:

• предобработка текстов для задач обработки естественного языка;
• подготовка изображений;
• подготовка аудио.

Современные NLP-модели: обучение и ключевые механизмы

Познакомитесь с устройством современных моделей обработки естественного языка и подходами к их обучению.

Темы:

• механизм многоголового внимания;
• модель BERT;
• развитие моделей обработки естественного языка;
• способы повышения эффективности обучения.

Большие языковые модели

Разберётесь в архитектурах языковых моделей, принципах их обучения и оптимизации.

Темы:
— архитектуры больших языковых моделей;
— принципы обучения LLM;
— способы оптимизации моделей.

Путь генеративного NLP: от Seq2Seq к RAG

Узнаете, как модели создают текст и используют информацию из внешних источников при подготовке ответа.

Темы:

• архитектуры Seq2Seq в трансформерах;
• генерация текста для практических задач;
• подход Retrieval-Augmented Generation — RAG;
• объединение поиска информации и генерации ответа.

Современный NLP: поиск, агенты и мультимодальность

Разберётесь, как языковые модели используют поиск, взаимодействуют с инструментами и работают с разными типами данных.

Темы:

• полнотекстовый поиск;
• ИИ-агенты;
• мультимодальные архитектуры.

Итоговое тестирование

Проверите знания, полученные на курсе, и понимание принципов работы нейросетей и языковых моделей.