Машинное обучение и искусственный интеллект: с нуля до результата

Тема 1.1 История развития ИИ История развития информационных технологий и компьютерной техники как фактор появления и становления искусственного интеллекта. Понятие генетического алгоритма как математической основы искусственного интеллекта. Примеры работы генетических алгоритмов. Соотношение искусственного интеллекта и машинного обучения. Современный искусственный интеллект в играх (шахматы, го). Тема 1.2 Современные сервисы на основе ИИ Обзор сервисов, работающих на основе искусственного интеллекта и их возможностей: • https://www.remove.bg/ru Удаление фона на изображениях • https://www.jukedeck.com/ Сервис для создания музыкальных треков различных жанров. Всё, что требуется от пользователя, – это определить начальные параметры будущей композиции (жанр, темп, настроение, длительность, состав инструментов), после чего щёлкнуть по клавише Create Track и дождаться завершения обработки запроса. Сочинённую искусственным интеллектом музыку можно прослушать в браузере, скачать на компьютер либо отправить на доработку, откорректировав характеристики трека. • https://www.autodraw.com/ Сервис, превращающий рисунки от руки в высококачественные клип-арты. Положенный в основу AutoDraw искусственный интеллект в реальном времени анализирует пользовательские наброски, распознаёт их и предлагает аналогичные картинки, нарисованные профессиональными художниками. Созданные иллюстрации можно разместить в социальных сетях либо скачать на компьютер для дальнейшего использования. Важно отметить, что разработанный компанией Google сервис прекрасно подходит не только для развлечения, но и для решения вполне реальных задач. Например, добрую службу AutoDraw может сослужить дизайнерам-оформителям презентаций, иллюстраторам, фоторедакторам и представителям прочих творческих профессий. • https://deepart.io/ Сервис, предназначенный для работы с графикой и создания оригинальных картин на основе пользовательских изображений. Техника работы с Deepart.io предельно простая: загружаем на сервер сервиса фотографию, указываем предпочтительный художественный стиль и дожидаемся завершения процесса отрисовки картины, который может занять продолжительное время. Для тех, кто не желает ждать, разработчики сервиса предлагают несколько вариантов платных подписок, позволяющих не только свести к минимуму время рендеринга шедевров цифрового искусства, но и снять ограничения на размер выходных изображений. • https://www.beautiful.ai/ Онлайн инструмент для создания презентаций, использующий технологии искусственного интеллекта с целью автоматизации и упрощения работы пользователя со слайдами. «Умные» алгоритмы сервиса контролируют каждый шаг при работе с презентацией и делают так, чтобы просмотр слайдов был более комфортным. Beautiful.ai анализирует расположение элементов презентации и автоматически перестраивает слайды, корректирует их цветовое оформление, перерисовывает графики, подбирает анимационные переходы, рекомендует подходящие по тематике контента шаблоны и выполняет прочие действия, стараясь, чтобы подача материала на слайдах была профессиональной с точки зрения дизайна. Тема 1.3 Кто разрабатывает ИИ? Базовый состав команды ИИ проекта. • Специалист по данным. • Инженер данных. • Дизайнеры продукта • Специалисты по этике ИИ и социологии Тема 1.4. Промежуточная аттестация по модулю 1. Контрольный тест по пройденному материалу.

Тема 3.1 Понятие машинного обучения Мотивы для создания технологии. Основные определения. Шкалы измерения различных характеристик. Источники, порождающие данные. Тема 3.2 Задачи машинного обучения • Ассоциация - нахождение постоянных составляющих (трендов), которые можно использовать для объяснения событий (например, выбор товаров и услуг, определение уровней запасов, схем складирования и др.). • Последовательность - установление временных серий последовательных действий (транзакций), правил выполнения отдельных транзакций. • Классификация - выявление признаков, характеризующих группу объектов, распределение объектов по группам для моделирования поведения объектов, прогнозирования значений свойств объектов. • Кластеризация - распределение по группам или сегментам. В отличие от классификации, кластеры формируются в процессе анализа. • Прогнозирование - предсказания будущих значений непрерывно изменяющихся переменных и др. Тема 3.3 Построение модели машинного обучения Этапы в процессе машинного обучения. Обзор методов машинного обучения. Тема 3.4 Линейная и логистическая регрессия Линейная регрессия на примере зависимости роста детей от роста родителей. Логистическая регрессия – это разновидность множественной регрессии, общее назначение которой состоит в анализе связи между несколькими независимыми переменными (называемыми также регрессорами или предикторами) и зависимой переменной. Бинарная логистическая регрессия, как следует из названия, применяется в случае, когда зависимая переменная является бинарной (т.е. может принимать только два значения). Иными словами, с помощью логистической регрессии можно оценивать вероятность того, что событие наступит для конкретного испытуемого (больной/здоровый, возврат кредита/дефолт и т.д.). Логистическая регрессия на примере данных, выживших/погибших на Титанике. Ошибки первого и второго рода. ROC-кривая. Тема 3.5 Деревья решений Задачи, приводящие к деревьям решений. Алгоритм построения дерева решений. Определение наилучшего разбиения. Прирост информации о множестве объектов. Меры неопределенности. Важность признаков. Работа с пропусками в данных. Специальные алгоритмы построения деревьев. Тема 3.6 Ансамблевые методы машинного обучения Случайный лес (Random Forest). Метод градиентного бустинга (Xgboost). Тема 3.7 Промежуточная аттестация по модулю 3. Контрольный тест по пройденному материалу.

Тема 5.1 Сверточные нейронные сети • Операция свёртки • Свёрточный и пулинг слои • Техника Transfer Learning Тема 5.2 Рекуррентные нейронные сети • Введение • Forward pass • Backward pass • Примеры задач • Проблемы данного вида сетей • Архитектура рекуррентного нейрона-LSTM • Схема LSTM-нейрона-GPU • Двунаправленные рекуррентные нейронные сети. Тема 5.3 Обработка естественного языка Задачи обработки естественного языка. Определение «тональности» текстов. Тема 5.4 Классификация изображений Задачи классификации изображений/распознавания образов. Предсказание классов картинок. Тема 5.5 Будущее ИИ ИИ в робототехнике, в управлении автомобилем, в системе «умного дома». Тема 5.6 Промежуточная аттестация по модулю 5. Контрольный тест по пройденному материалу.

Тема 2.1 Введение в Python Операции с целыми числами. Сообщения об ошибках. Числа с плавающей точкой. Переменные, их обозначение. Логические операции. Условия. Строковые переменные. Комментарии в программном коде. Тема 2.2 Структуры данных в Python Создание объекта Series из списка целых чисел. Создание Series из строковых значений. Другие способы создания объекта Series. Создание объекта DataFrame для списка объектов Series. Другие способы создания объекта DataFrame. Свойства объектов Series и DataFrame: количество элементов, количество уникальных элементов, индексы и значения элементов и другие. Различные способы вывода значений объектов Series и DataFrame. Поиск значений в Series и DataFrame. Транспонирование. Срезы данных. Тема 2.3 Циклы и условия Циклы for (различные виды и конфигурации). Цикл while. Операторы break и continue. Условия в циклах. Оператор if. Оператор else. Оператор elif. Тема 2.4 Чтение данных Загрузка данных из файла. Запись в файл. Пропущенные значения. Повторяющиеся значения. Замена значений. Применение функций. Тема 2.5 Создание и работа с датафреймом. Функции Оператор pandas: info. Описательная статистика (pandas: describe). Применение функций для каждого элемента (pandas: map). Применение лямбда-функций. Сортировка (pandas: sort). Соединение датафреймов: конкатенация и pandas: merge. Группировка pandas: groupby. Сводные таблицы pandas: pivot_table. Тема 2.6 Промежуточная аттестация по модулю 2. Контрольный тест по пройденному материалу.

Тема 4.1 Модель нейрона. Применение нейронных сетей Искусственный нейрон (формальный нейрон) - элемент искусственных нейронных сетей, моделирующий некоторые функции биологического нейрона. Перцептрон Розенблатта. Структура нейрона. Работа нейрона. Пороговая функция. Обучение нейрона. Области применения нейронных сетей: Компьютерное зрение, Обработка естественного языка, Управление, Прогнозирование и классификация. Недостатки нейронных сетей. Тема 4.2 Обучение нейронных сетей Реализация класса Perceptron() – нейрон с пороговой функцией активации, его обучение и трассировка на сгенерированных и реальных данных. Сравнение качества работы обученного класса с классом из библиотеки scikit-learn (sklearn.linear_model.Perceptron()). Реализация нейрона с сигмоидной функцией. Тема 4.3 Глубокое обучение. Многослойные нейронные сети Структура полносвязной нейронной сети. Функционирование отдельного нейрона в сети. Работа первого слоя нейронной сети. Работа второго слоя нейронной сети. Работа i-го слоя. Прохождение данных через нейросеть (forward pass). Процесс распространения ошибок обратно для обновления весов сети (Backward pass). Тема 4.4 Фреймворк PyTorch. Реализация нейронов и сетей на PyTorch • Знакомство с фреймворком PyTorch • Реализация одного нейрона и нейронных сетей на PyTorch • Реализация многослойной нейронной сети на PyTorch Тема 4.5 Промежуточная аттестация по модулю 4. Контрольный тест по пройденному материалу.