Данный курс предназначен для студентов и начинающих специалистов в области AI/ML. В ходе курса мы познакомимся с языком Python, научимся обрабатывать данные, выполнять их очистку, искать аномалии, зависимости, делать их визуализацию, и, естественно, обрабатывать эти данных при помощи технологий искусственных нейронных сетей.
Требуемые входные данные:
- Знание одного из языков программирования на уровне не ниже Junior (желателен опыт работы с Python)
- Понимание основ математического анализа (производная, градиент, тригонометрия)
- Понимание типов данных ЭВМ, и способов представления различных данных
- Умение работать с командной строкой
Требуемые характеристики ПК (для офлайн работы):
- Процессор с архитектурой x86, предпочтительнее последние поколения (Intel Core i5/i7/i9/Xeon, AMD Ryzen 5/7)
- Оперативная память от 8 Гб и выше
- Свободное место на диске (предпочтительно SSD) от 15 ГБ
- Microsoft Windows 10 x64
- Крайне желательно: Видеокарта NVIDIA с 4 и более ГБ видеопамяти
Для онлайн работы:
- ПК с доступом в интернет
- Аккаунт Google и свободное место на Google Drive (хотя бы несколько МБ)
Работы сделаны по системе "Ready to Run". Они представляют собой готовые проекты с кодом, которые достаточно просто запустить. Изменяя датасет вы сможете легко адаптировать различные архитектуры под свои задачи. При этом, модели в этих работах можно изменять и более глубоко оценивать поведение моделей при их модификации.
| Номер работы | Название | Статус | Ссылка на Google Colab | Ссылка на Github |
|---|---|---|---|---|
| 000 | Установка необходимых библиотек |  |
 |
 |
| 001 | Основы разработки на Python |  |
|
|
| 002 | Анализ данных в Pandas. Очистка и преобразования | |
|
|
| 003 | Графики и визуализация Seaborn | |
|
|
| 004 | Добыча данных | |
|
|
| 005 | Регрессия. Линия, экспонента, полином | |
|
|
| 006 | Анализ данных. Кластеризация, Decision Tree, SVM | |
|
|
| 007 | Перцептрон. Строим на нём линейную и полиномиальную регрессию |  |
|
|
| 008 | Перцептрон. Диагностика ЭКГ |  |
|
|
| 009 | Перцептрон. Выбор функций активации, расчёт числа слоёв | |
|
|
| 010 | Перцептрон. Классификация MNIST |  |
|
|
| 011 | Работа с изображениями. Загрузка преобразование | |
|
|
| 012 | Свёрточные сети. Основы |  |
|
|
| 013 | Глубокие свёрточные модели | |
|
|
| 014 | Сегментация на изображениях |  |
|
|
| 015 | Экспорт моделей в ONNX. Запуск на C# | |
|
|
| 016 | Сети с памятью. LSTM. Анализ текста | |
||
| 017 | Генеративно-состязательные сети | |
|
|
| 018 | Генетические алгоритмы | |
|
|
| 019 | Языковые модели. YaGPT | |
Работы вне рамок основного курса
| Номер работы | Название | Статус | Ссылка на Google Colab | Ссылка на Github |
|---|---|---|---|---|
| E1 | Обучение простейшего классификатора |  |
 |
 |
| E2 | Перенос модели на C++ |  |
|
|
| E3 | Ultralytics -- Детектор объектов на YOLO | |
|
|