Архитектор в области искусственного интеллекта

− определения, историю развития и главные тренды искусственного интеллекта;
− архитектуру, принципы, процесс, стадии и методологии разработки решений на основе ИИ;
− методы и инструментальные средства решения задач искусственного интеллекта.

− осуществлять поиск информации о новых и перспективных методах анализа больших данных, выполнять сравнительный анализ методов.

− культурой постановки и планирования последовательности решения задач анализа данных и классификации;
− навыками анализа реальных задач из различных предметных областей на уровне отдельных подходов и коллективами алгоритмов.

− методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез;
− основы методов оптимизации;
− технологии распределенной обработки данных.

− применять методы и программные средства автоматизированного логического вывода и автоматизированной проверки гипотез;
− строить модель для прогнозирования временного ряда;
− использовать цифровые платформы анализа данных для решения профессиональных задач.

− навыками применения алгоритма проблемных ситуаций (алгоритма фаззинга).

- функции, задачи, навыки, содержание работы архитектора в области искусственного интеллекта;
− архитектуру, принципы, процесс, стадии и методологии разработки решений на основе ИИ.

− строить модель для рекомендательных систем;
− использовать контейнеризацию и развертывать модель в производство;
− решать проблемы переобучения и недообучения алгоритма.

− навыками анализа реальных задач из различных предметных областей на уровне отдельных подходов и коллективами алгоритмов.

− основные типы, источники больших данных, проблемы безопасности;
− методы и программный инструментарий технологий больших данных;
− базовые понятия и возможности теории игр для их применения в области машинного обучения и искусственного интеллекта;
− системы обработки и анализа больших массивов данных (SQL, NoSQL, Hadoop, SPARK и др.): принципы работы, функционал, язык запросов, преимущества и недостатки;
− технологии, методы и инструменты машинного обучения для решения профессиональных задач.

− применять методы машинного обучения для работы с большими данными.

− навыками работы с библиотеками, программными платформами (фреймворками) и программными комплексами машинного обучения.

− нейронные сети: полносвязные, свёрточные и рекуррентные нейронные сети, методы обучения нейронных сетей, нейросетевые методы понижения размерности.

− применять методы машинного обучения и нейронных сетей.

− навыком построения полносвязной нейронной сети для задачи классификации;
− основными принципами, возможностями и порядком применения методов обучения с учителем и без учителя для решения задач классификации данных.

− синтаксис и семантику основных языков искусственного интеллекта (Python, JAVA/С#/С++/Scala) и основные приемы программирования на них;
− основные алгоритмы, используемые в языках программирования;
− принципы, содержание и области применения массово-параллельной обработки и анализа данных для ускорения машинного обучения;
− технологии распределенной обработки данных;
− принципы и содержание работы с распределенными кластерными системами;
− технологии и методы потоковой обработки данных.

− применять системы обработки и анализа больших массивов данных;
− применять системы контроля версий Git для разработки решений на основе языков программирования;
− применять язык SQL для прикладных решений;
− применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
− визуализировать анализируемые данные;
− использовать шины данных (kafka) при обработке больших данных.

− языками программирования (Python, JAVA/С#/С++/Scala) для реализации методов анализа и структурирования данных;
− основными инструментами для работы с данными (Git, Docker, CI/CD, RestAPI, Jupyter notebook, kaggle, Nvidia Cuda, VS, IntelliJIdea);
− навыками работы с основными библиотеками Python для визуализации данных (Matplotlib, Seaborn, Plotly);
− навыком установки Hadoop на виртуальную машину;
− навыком использования Docker;
− навыком работы с MapReduce, PySpark;
− навыком работы с Numpy;
− математическими методами анализа данных.

− архитектуры современных нейронных сетей и их использование для решения профессиональных задач.

− поддерживать системы искусственного интеллекта на основе нейросетевых моделей и методов.

− способами улучшить качество модели с помощью методов Feature engineering;
− навыком использования библиотеки PyTorch, применения GPU в PyTorch;
− навыком построения полносвязной нейронной сети для задачи классификации;
− основными принципами, возможностями и порядком применения методов обучения с учителем и без учителя для решения задач классификации данных;
− методами машинного обучения и нейронных сетей.

− методы, инструментальные средства и стандарты статистического и описательного анализа данных;
− основные платформы данных (облачные и внутрикорпоративные), применяемые при разработке решений на основе ИИ;
− основные виды представления данных: табличные, графовые, временные ряды;
− основные уровни представления данных.

− использовать основные статистические методы анализа данных;
− проводить EDA — разведочный анализ данных;
− моделировать данные в хранилищах (DWH, Data Lake, NoSQL хранилища данных).

− навыком создания логической и физической базы данных;
− навыком BI-аналитики;
− языками запросов для обращения к СУБД.

− понятие сквозных цифровых субтехнологий искусственного интеллекта;
− методы и технологии внедрения сквозных цифровых субтехнологий искусственного интеллекта.

− внедрять технологии компьютерного зрения для обработки изображений и видео, задач биометрии;
− внедрять технологии обработки естественного языка для анализа и генерации текстов;
− внедрять технологии обучения с подкреплением для задач автоматизации производства и транспорта.

− навыком работы с генеративными моделями GAN для задач генерации;
− навыком работы с автокодировщиками для задач уменьшения размерности и поиска аномалий;
− навыком работы с технологией RL — обучения с подкреплением.

− понятие сквозных цифровых субтехнологий искусственного интеллекта;
− методы и технологии внедрения сквозных цифровых субтехнологий искусственного интеллекта.

− применять технологии компьютерного зрения для обработки изображений и видео, задач биометрии;
− применять технологии обработки естественного языка для анализа и генерации текстов;
− применять технологии обучения с подкреплением для задач автоматизации производства и транспорта.

− навыком работы с генеративными моделями GAN для задач генерации;
− навыком работы с автокодировщиками для задач уменьшения размерности и поиска аномалий;
− навыком работы с технологией RL — обучения с подкреплением.