Введение в искусственный интеллект

1 модуль: Основы программирования на языке Python

Урок 1 Работа с данными и математическимие операциямии в Python

Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python.

  • Устанавливаем программы для прохождения курса
  • Управляем вводом и выводом данных в первой программе по Python

Урок 2 Основные конструкции языка Python

Создаём алгоритмы и осваиваем основные компоненты компьютерной программы.

  • Изучаем условия if, elif, else
  • Изучаем циклы for, while
  • Тренируемся программировать на Python и создаём программу с базовыми алгоритмами

Урок 3 Структуры данных в Python

Изучаем принципы работы с данными.

  • Узнаём, как работают данные, списки, словари и файлы
  • Знакомимся с датасетом — набором данных. Учимся его обрабатывать с помощью простейших операций
  • Занимаемся вводом и выводом данных

Урок 4 Функции в Python

Изучаем, как работать с функциями.

  • Узнаём, как создавать функции и передавать параметры
  • Изучаем глобальные и локальные переменные
  • Добавляем полезные функции к датасету из третьего урока

2 модуль: Numpy и Pandas — инструменты, которые помогают получать данные


Урок 5 Pandas. Установка. Учимся работать с данными и таблицами

Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных. 

  • Получаем датасет с числовыми метриками
  • Устанавливаем Pandas, изучаем базовые команды и учимся работать с таблицами
  • Обрабатываем датасет с помощью Pandas: загружаем и выгружаем данные

Урок 6 Pandas. Основные функции

После того, как мы загрузили датасет, начинаем осваивать базовые функции.

  • Узнаём, как работают различные функции Pandas: подсчет, создание категорий выборок датасета и др
  • Учимся применять функции из предыдущего урока на нашем датасете

Урок 7 Numpy: улучшение математического аппарата

Изучаем основы линейной алгебры и знакомимся с видами машинного обучения.

  • Узнаём потенциал Numpy для работы с машинным обучением
  • Тренируемся работать с операциями высшей математики с помощью библиотеку Numpy

Урок 8 Numpy: машинное обучение без учителя

Узнаём, что такое обучение без учителя.

  • Строим классическую модель обучения без учителя в Numpy
  • Строим первую модель предсказания в библиотеке Numpy

3 модуль: Работа с машинным обучением


Урок 9 Обучение с учителем. Ближайшие соседи

Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку.

  • Осваиваем базовые принципы машинного обучения 
  • Придумываем и реализовываем простой алгоритм
  • Возьмём классификатор на датасете

Урок 10 Градиентный спуск

Знакомимся с методом градиентного спуска, чтобы оценивать качество работы нейронной сети.

  • Оцениваем качество алгоритма машинного обучения, функция ошибки
  • Узнаём, как производные и градиентный спуск помогают уменьшать ошибки алгоритма
  • Закрепляем метод градиентного спуска для переменных

Урок 11 Линейная регрессия

Прогнозируем значение переменных по заранее известным данным.

  • Определяем задачи регрессии, чтобы прогнозировать стоимость домов
  • Наглядно визуализируем данные с помощью матрицы корреляций
  • Учимся измерять качество регрессии, чтобы проверить наши предположения
  • Применяем метод градиентного спуска, чтобы найти минимум средней квадратической ошибки

Урок 12 Логистическая регрессия

Прогнозируем результаты с помощью логистических функций.

  • Узнаём, что такое логистическая функция,  какие у нее свойства и преимущества
  • Применяем метод градиентного спуска для логистической регрессии, чтобы определять стоимость домов

Урок 13 Работаем с базовой нейронной сетью

Узнаём о преимуществах и недостатках нейронных сетей.

  • Сравниваем устройство нейронных сетей с нервной системой человека
  • Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов
  • Запускаем нейронную сеть, чтобы распознавать рукописные цифры

Презентация проектов

Урок 14 Выпускной урок

Настраиваем нейронную сеть и подводим итоги.

  • Узнаём, как оптимизировать нейронные сети
  • Соревнуемся: строим свою нейронную сеть
  • Подводим итоги курса