Прикладной искусственный интеллект

1 семестр. Первичная обработка данных и Элементы статистики

Дисциплина состоит из двух разделов:

1. Раздел "Первичная обработка данных" научит базовым приемам работы с данными – виды и источники данных, оценка и улучшение качества данных, преобразование и подготовка данных к разведочному анализу. Изучаются методы визуализации данных, описательные статистики, методы нормировки данных, построение целевых функций и работа с временными рядами.
2. Раздел "Элементы статистики" знакомит с практическими навыками статистической обработки данных, которые могут быть применены для решения аналитических задач и в личной, и в профессиональной сфере. Рассматриваются важнейшие понятия теории вероятностей, на которых основаны многие статистические конструкции и выводы. Повествуется о том, что такое случайное событие и случайная величина, обсуждается построение функции распределения и вычисление вероятности наступления различных событий, рассматриваются важнейшие распределения, встречающиеся в жизни на каждом шагу. Также приводятся примеры работы с выборкой и оценки важнейших параметров генеральной совокупности таких, как: математическое ожидание, дисперсия, плотность распределения, корреляция двух случайных величин, а также свойства этих оценок. Кроме того, студенты научатся построению доверительных интервалов для оценок параметров различных распределений: слушатели узнают, насколько оценки, полученные по выборке, точны, и пригодно ли их использовать в реальных задачах. В завершении рассматривается важнейшая задача проверки гипотез, где основное внимание обращается на критерии согласия.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Введение в машинное обучение (инструменты) и Методы прикладного искусственного интеллекта

Дисциплина состоит из двух разделов:

1. Раздел "Введение в машинное обучение (инструменты)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием инструментов, не требующих знаний программирования. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.
2. Раздел "Методы прикладного искусственного интеллекта" знакомит слушателей с методами и технологиями инженерии знаний, интеллектуальными технологиями обеспечения безопасности, включая биометрию, предсказание уязвимостей, управление киберпространством. Рассматривается применение искусственного интеллекта в обработке звуков, изображений (машинное зрение и слух, распознавание видео и аудио образов) и текстов.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

1 семестр. Первичная обработка данных и Статистика на R

1. Раздел "Первичная обработка данных" научит базовым приемам работы с данными – виды и источники данных, оценка и улучшение качества данных, преобразование и подготовка данных к разведочному анализу. Изучаются методы визуализации данных, описательные статистики, методы нормировки данных, построение целевых функций и работа с временными рядами.
2. Раздел "Статистика на R" предлагает рассмотрение некоторых практических навыков статистической обработки данных с использованием языка программирования R, которые могут быть применены для решения аналитических задач и в личной, и в профессиональной сфере. В разделе рассматриваются важнейшие понятия теории вероятностей, на которых основаны многие статистические конструкции и выводы. Повествуется о том, что такое случайное событие и случайная величина, обсуждается построение функции распределения и вычисление вероятности наступления различных событий, рассматриваются важнейшие распределения, встречающиеся в жизни на каждом шагу. Также приводятся примеры работы с выборкой и оценки важнейших параметров генеральной совокупности таких, как: математическое ожидание, дисперсия, плотность распределения, корреляция двух случайных величин, а также свойства этих оценок. Кроме того, студенты научатся построению доверительных интервалов для оценок параметров различных распределений: слушатели узнают, насколько оценки, полученные по выборке, точны, и пригодно ли их использовать в реальных задачах. В завершении рассматривается важнейшая задача проверки гипотез, где основное внимание обращается на критерии согласия.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Введение в машинное обучение (инструменты) и Методы прикладного искусственного интеллекта

Дисциплина состоит из двух разделов:

1. Раздел "Введение в машинное обучение (инструменты)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием инструментов, не требующих знаний программирования. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.
2. Раздел "Методы прикладного искусственного интеллекта" знакомит слушателей с методами и технологиями инженерии знаний, интеллектуальными технологиями обеспечения безопасности, включая биометрию, предсказание уязвимостей, управление киберпространством. Рассматривается применение искусственного интеллекта в обработке звуков, изображений (машинное зрение и слух, распознавание видео и аудио образов) и текстов.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

1 семестр. Первичная обработка данных и Хранение больших данных

Дисциплина состоит из двух разделов:

1. Раздел "Первичная обработка данных" научит базовым приемам работы с данными – виды и источники данных, оценка и улучшение качества данных, преобразование и подготовка данных к разведочному анализу. Изучаются методы визуализации данных, описательные статистики, методы нормировки данных, построение целевых функций и работа с временными рядами.
2. Раздел "Хранение больших данных" научит организовывать хранение больших данных с помощью реляционных СУБД и NoSQL хранилищ. Изучаются методы проектирования структур данных, языки запросов к данным и приемы обработки структурированных и слабоструктурированных данных.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Статистика на R и Введение в машинное обучение (инструменты)

Дисциплина состоит из двух разделов:

1. Раздел "Статистика на R" предлагает рассмотрение некоторых практических навыков статистической обработки данных с использованием языка программирования R, которые могут быть применены для решения аналитических задач и в личной, и в профессиональной сфере. В разделе рассматриваются важнейшие понятия теории вероятностей, на которых основаны многие статистические конструкции и выводы. Повествуется о том, что такое случайное событие и случайная величина, обсуждается построение функции распределения и вычисление вероятности наступления различных событий, рассматриваются важнейшие распределения, встречающиеся в жизни на каждом шагу. Также приводятся примеры работы с выборкой и оценки важнейших параметров генеральной совокупности таких, как: математическое ожидание, дисперсия, плотность распределения, корреляция двух случайных величин, а также свойства этих оценок. Кроме того, студенты научатся построению доверительных интервалов для оценок параметров различных распределений: слушатели узнают, насколько оценки, полученные по выборке, точны, и пригодно ли их использовать в реальных задачах. В завершении рассматривается важнейшая задача проверки гипотез, где основное внимание обращается на критерии согласия.
2. Раздел "Введение в машинное обучение (инструменты)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием инструментов, не требующих знаний программирования. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

1 семестр. Элементы статистики и Введение в машинное обучение (инструменты)

Дисциплина состоит из двух разделов:

1. Раздел "Элементы статистики" предлагает рассмотрение некоторых практических навыков статистической обработки данных, которые могут быть применены для решения аналитических задач и в личной, и в профессиональной сфере. В разделе рассматриваются важнейшие понятия теории вероятностей, на которых основаны многие статистические конструкции и выводы. Повествуется о том, что такое случайное событие и случайная величина, обсуждается построение функции распределения и вычисление вероятности наступления различных событий, рассматриваются важнейшие распределения, встречающиеся в жизни на каждом шагу. Также приводятся примеры работы с выборкой и оценки важнейших параметров генеральной совокупности таких, как: математическое ожидание, дисперсия, плотность распределения, корреляция двух случайных величин, а также свойства этих оценок. Кроме того, студенты научатся построению доверительных интервалов для оценок параметров различных распределений: слушатели узнают, насколько оценки, полученные по выборке, точны, и пригодно ли их использовать в реальных задачах. В завершении рассматривается важнейшая задача проверки гипотез, где основное внимание обращается на критерии согласия.
2. Раздел "Введение в машинное обучение (инструменты)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием инструментов, не требующих знаний программирования. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Первичная обработка данных и Хранение больших данных

Дисциплина состоит из двух разделов:

1. Раздел "Первичная обработка данных" научит базовым приемам работы с данными – виды и источники данных, оценка и улучшение качества данных, преобразование и подготовка данных к разведочному анализу. Изучаются методы визуализации данных, описательные статистики, методы нормировки данных, построение целевых функций и работа с временными рядами.
2. Раздел "Хранение больших данных" научит организовывать хранение больших данных с помощью реляционных СУБД и NoSQL хранилищ. Изучаются методы проектирования структур данных, языки запросов к данным и приемы обработки структурированных и слабоструктурированных данных.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

Подробную информацию смотрите здесь Basic tracks in English / Option 1

Подробную информацию смотрите здесь Basic tracks in English / Option 2

Подробную информацию смотрите здесь Basic tracks in English / Option 3

Подробную информацию смотрите здесь Basic tracks in English / Option 4

1 семестр. Хранение больших данных и Введение в машинное обучение (Python)

Дисциплина состоит из двух разделов:

1. Раздел "Хранение больших данных" научит организовывать хранение больших данных с помощью реляционных СУБД и NoSQL хранилищ. Изучаются методы проектирования структур данных, языки запросов к данным и приемы обработки структурированных и слабоструктурированных данных.
2. Раздел "Введение в машинное обучение (Python)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием языка программирования Python. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Продвинутое машинное обучение (Python) и Обработка изображений

Дисциплина состоит из двух разделов:

1. Раздел "Продвинутое машинное обучение (Python)" знакомит слушателей с методами снижения размерности набора признаков и методами факторного анализа. Рассматривается метод опорных векторов и деревья принятия решений, ансамбли моделей, а также еще одна ветка машинного обучения — обучение с подкреплением.
2. Раздел "Обработка изображений" знакомит слушателей с основными алгоритмами анализа изображений. Вы узнаете о различных способах цифрового представления изображений, цветовых моделях. Будут рассмотрены преобразования изображений (яркостные, цветовые) и фильтрация (пространственная, частотная) изображений. В результате прохождения курса, слушатели узнают о применении различных видов нейронных сетей (AlexNet, ResNets, VGGs, Inception) для классификации изображений, а также о двухфазных и однофазных алгоритмах: YOLO, SSD, Mask-R-CNN.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

1 семестр. Введение в машинное обучение (Python) и Продвинутое машинное обучение (Python)

Дисциплина состоит из двух разделов:

1. Раздел "Введение в машинное обучение (Python)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием языка программирования Python. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.
2. Раздел "Продвинутое машинное обучение(Python)" знакомит слушателей с методами снижения размерности набора признаков и методами факторного анализа. Рассматривается метод опорных векторов и деревья принятия решений, ансамбли моделей, а также еще одна ветка машинного обучения — обучение с подкреплением.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Автоматическая обработка текстов и Обработка изображений

Дисциплина состоит из двух разделов:

1. Раздел знакомит слушателей с алгоритмами и инструментами для обработки текстов на естественном языке. После краткого введения в историю области рассматриваются подходы, работающие с языком на разных уровнях: от токенизации до синтаксического разбора. Основное внимание уделено подходам, которые работают с данными на основе машинного обучения. По окончании раздела студенты будут иметь представление о ландшафте методов современного автоматического анализа текста и опыт использования нескольких наиболее важных инструментов. В том числе pymorphy2, mystem, NLTK, scikit-learn, UDPipe и др.
2. Раздел "Обработка изображений" знакомит слушателей с основными алгоритмами анализа изображений. Студенты узнают о различных способах цифрового представления изображений, цветовых моделях. Будут рассмотрены преобразования изображений (яркостные, цветовые) и фильтрация (пространственная, частотная) изображений. В результате прохождения курса, слушатели узнают о применении различных видов нейронных сетей (AlexNet, ResNets, VGGs, Inception) для классификации изображений, а также о двухфазных и однофазных алгоритмах: YOLO, SSD, Mask-R-CNN.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

Семестр 1. Введение в машинное обучение (Python) и Продвинутое машинное обучение (Python)

Дисциплина состоит из двух разделов:

1. Раздел "Введение в машинное обучение (Python)" знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием языка программирования Python. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.
2. Раздел "Продвинутое машинное обучение(Python)" знакомит слушателей с методами снижения размерности набора признаков и методами факторного анализа. Рассматривается метод опорных векторов и деревья принятия решений, ансамбли моделей, а также еще одна ветка машинного обучения — обучение с подкреплением.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

Семестр 2. Автоматическая обработка текстов и Социальные сети

Дисциплина состоит из двух разделов:

1. Раздел знакомит слушателей с алгоритмами и инструментами для обработки текстов на естественном языке. После краткого введения в историю области рассматриваются подходы, работающие с языком на разных уровнях: от токенизации до синтаксического разбора. Основное внимание уделено подходам, которые работают с данными на основе машинного обучения. По окончании раздела студенты будут иметь представление о ландшафте методов современного автоматического анализа текста и опыт использования нескольких наиболее важных инструментов. В том числе pymorphy2, mystem, NLTK, scikit-learn, UDPipe и др.
2. Раздел "Социальные сети" рассматривает виды социальных сетей, задачи анализа и классификации. Слушатели познакомятся с методами извлечения и агрегирования информации из социальных сетей. Научатся решать различного рода задачи, в том числе предложение друзей для пользователя, поиск негативных высказываний, поиск упоминаний компаний и людей.

Пререквизиты: умение работать с векторами и матрицами, представление о графах и распределениях. Умение программировать на языке Python (функции, циклы, операторы)

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

1 семестр. Продвинутое машинное обучение (Python) и Глубокое обучение

Дисциплина состоит из двух разделов:

1. Раздел "Продвинутое машинное обучение (Python)" знакомит слушателей с методами снижения размерности набора признаков и методами факторного анализа. Рассматривается метод опорных векторов и деревья принятия решений, ансамбли моделей, а также еще одна ветка машинного обучения — обучение с подкреплением.
2. Раздел "Глубокое обучение" знакомит слушателей с миром нейронных сетей. В ней обсуждаются отличия нейросетевого подхода от подхода классического машинного обучения, рассказывается про перцептрон, полносвязный нейронные сети, сверточные и рекуррентные архитектуры; обсуждается глубокое обучение с подкреплением, GANы, а также практические аспекты обучения: аугментация данных, тюнинг параметров, дропаут, оптимизация и многое другое.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

2 семестр. Обработка изображений и Компьютерное зрение

Дисциплина состоит из двух разделов:

1. Раздел "Обработка изображений" знакомит слушателей с основными алгоритмами анализа изображений. Студенты узнают о различных способах цифрового представления изображений, цветовых моделях. Будут рассмотрены преобразования изображений (яркостные, цветовые) и фильтрация (пространственная, частотная) изображений. В результате прохождения курса, слушатели узнают о применении различных видов нейронных сетей (AlexNet, ResNets, VGGs, Inception) для классификации изображений, а также о двухфазных и однофазных алгоритмах: YOLO, SSD, Mask-R-CNN.
2. Раздел "Компьютерное зрение" рассматривает основные задачи из области компьютерного зрения, вокруг которых сконцентрировано внимание научного сообщества и промышленности: задачи классификации, сегментации, детектирования объектов. В рамках данного раздела изучаются наиболее распространенные современные методы решения рассматриваемых проблем.

Трудоемкость дисциплины: 3 зачетные единицы

Форма контроля: Экзамен  

Подробную информацию смотрите здесь Advanced Tracks in English / Option 1

Подробную информацию смотрите здесь Advanced Tracks in English / Option 2

Подробную информацию смотрите здесь Advanced Tracks in English / Option 3