Архитектор данных

− 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 автоматизированной генерации и проверки гипотез в сфере исследовательской деятельности;
− основные принципы логического вывода и проверки гипотез в контексте анализа данных;
− теоретические основы алгоритмов, используемых для автоматизированного логического вывода и проверки гипотез;
− инструменты и технологии, применяемые для реализации автоматизированного логического вывода и проверки гипотез в сфере анализа данных.

− настраивать, конфигурировать и адаптировать программные средства автоматизированного логического вывода в сфере исследовательской деятельности;
− разрабатывать и настраивать алгоритмы автоматизированного логического вывода и проверки гипотез, учитывая специфику исследовательской деятельности;
− проектировать и настраивать конфигурации программных средств для эффективного применения методов автоматизированного логического вывода и проверки гипотез;
− проводить адаптацию и оптимизацию программных решений для учета требований и специфики конкретных задач.

− программными инструментами, позволяющими осуществлять автоматизированный логический вывод и проверку гипотез, такими как инструменты теории машинного обучения, статистические пакеты, инструменты символьного вычисления и другие соответствующие технологии;
− техниками и методами, используемыми для применения программных средств автоматизированного логического вывода в различных областях исследовательской деятельности;
− навыками использования различных инструментов и технологий в рамках процесса автоматизации логического вывода и проверки гипотез.

− функции, задачи, навыки, содержание работы архитектора данных;
− архитектуру, принципы, процесс, стадии и методологии разработки решений на основе ИИ;
− синтаксис и семантику основных языков искусственного интеллекта (Python, JAVA/С#/С++/Scala) и основные приемы программирования на них;
− среды разработки программных компонентов;
− решение задач в системах искусственного интеллекта;
− методы и программный инструментарий для тестирования программных компонентов.

− применять методы машинного обучения для работы с большими данными;
− применять методы машинного обучения для тестирования программных компонентов;
− проводить тестирование систем искусственного интеллекта.

− языками программирования (Python, JAVA/С#/С++/Scala) для разработки программных компонентов решения задач в системах ИИ;
− основными инструментами для работы с данными (Git, Docker, CI/CD, Jupyter notebook, kaggle, Nvidia Cuda, VS, IntelliJIdea);
− навыками работы с основными библиотеками Python (Matplotlib, Seaborn, Plotly);
− навыками работы с библиотеками, программными платформами для автоматизации процессов тестирования.

− 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.

− 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;
− 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.