Курс профессиональной переподготовки по специальности«Искусственный интеллект»
Присваиваемая квалификация - специалист по искусственному интеллекту
Цель курса
Подготовить к работе с искусственным интеллектом: понимать основы машинного обучения, проектировать AI-решения и оценивать качество моделей.
Подготовить к работе с искусственным интеллектом: понимать основы машинного обучения, проектировать AI-решения и оценивать качество моделей.
Задачи курса
- Разобрать ключевые подходы в машинном обучении и нейронных сетях
- Освоить методику подготовки данных и построения пайплайна обучения модели
- Научиться планировать разработку AI-решения: постановка задачи, метрики, риски
- Составлять требования к модели и документацию для внедрения и сопровождения
- Разобрать ключевые подходы в машинном обучении и нейронных сетях
- Освоить методику подготовки данных и построения пайплайна обучения модели
- Научиться планировать разработку AI-решения: постановка задачи, метрики, риски
- Составлять требования к модели и документацию для внедрения и сопровождения
Знания
- Термины и архитектуры: нейронные сети, эмбеддинги, трансформеры, LLM
- Методы обучения: supervised/unsupervised, fine-tuning, transfer learning
- Подходы к подготовке данных: разметка, балансировка, train/val/test split
- Метрики и валидация: accuracy, F1, ROC-AUC, кросс-валидация, overfitting
- Основы MLOps: версионирование данных/моделей, мониторинг, дрейф данных
- Термины и архитектуры: нейронные сети, эмбеддинги, трансформеры, LLM
- Методы обучения: supervised/unsupervised, fine-tuning, transfer learning
- Подходы к подготовке данных: разметка, балансировка, train/val/test split
- Метрики и валидация: accuracy, F1, ROC-AUC, кросс-валидация, overfitting
- Основы MLOps: версионирование данных/моделей, мониторинг, дрейф данных
Навыки
- Формулировать задачу для AI и выбирать тип модели под цель и ограничения
- Разрабатывать план подготовки датасета: источники, требования к качеству, схема разметки
- Подбирать метрики качества и составлять план экспериментов для обучения модели
- Составлять техническое задание на разработку и внедрение AI-решения
- Готовить комплект документации: описание модели, ограничения, требования к данным и мониторингу
- Формулировать задачу для AI и выбирать тип модели под цель и ограничения
- Разрабатывать план подготовки датасета: источники, требования к качеству, схема разметки
- Подбирать метрики качества и составлять план экспериментов для обучения модели
- Составлять техническое задание на разработку и внедрение AI-решения
- Готовить комплект документации: описание модели, ограничения, требования к данным и мониторингу
