Университет науки и технологий МИСИС Машинное обучение и искусственный интеллект
Всё для обучения
Как устроено обучение
О курсе
Подробнее
В рамках курса слушатели освоят комплекс знаний и приобретут навыки, необходимые для применения методов искусственного интеллекта и машинного обучения в профессиональной деятельности. Начните свой путь к карьере в высокотехнологичной области и станьте экспертом в разработке систем искусственного интеллекта! Присоединяйтесь к Telegram-каналу МИСИС Онлайн и каналу МИСИС Онлайн в MAX или пишите на openedu@misis.ru. Мы ответим на все ваши вопросы.
Результат
Что вы получите
- В результате освоения курса у обучающихся формируются следующие компетенции:Знать- систему математических методов искусственного интеллекта и машинного обучения;- ведущие средства и инструменты разработки программного обеспечения для реализации методов искусственного интеллекта и машинного обучения.
- Уметь- разрабатывать архитектуру и математические модели нейросетей;- собирать и готовить данные для обучения моделей;- оптимизировать и тестировать модели машинного обучения;- интерпретировать результаты работы нейросетей.
- Владеть- навыками программирования на языке программирования Python, R или Julia, что позволяет создавать и реализовывать собственные алгоритмы и модели искусственного интеллекта; - навыками машинного обучения и глубокого обучения, что позволяет разрабатывать и оптимизировать модели машинного обучения, а также создавать и обучать нейронные сети, необходимые для разработки систем искусственного интеллекта;- навыками визуализации данных и результатов их анализа, что помогает лучше понимать результаты работы моделей искусственного интеллекта и эффективнее представлять их заказчику.
Содержание
8 занятийПрограмма курса
№ТемаЧто внутри
01Раздел 1. Избранные разделы теории вероятностей и математической статистики
Тема 1. Основные понятия комбинаторики. Перестановки, размещения, сочетания.Тема 2. Случайные события. Вероятность.Тема 3. Условная вероятность. Формула полной вероятности. Формула Байеса.Тема 4. Дискретные случайные величины.Тема 5. Непрерывные случайные величины. Нормальное распределение.Тема 6. Проверка статистических гипотез
02Раздел 2. Математические методы машинного обучения
Тема 1. Линейная регрессия. Тема 2. Логистическая регрессия.Тема 3. Деревья решений.Тема 4. Случайный лес.Тема 5. Градиентный бустинг.Тема 6. Кластеризация k-means
03Раздел 3. Математические методы искусственных нейронных сетей
Тема 1. Введение в математический аппарат нейронных сетей.Тема 2. Математическая модель перцептрона. Многослойные нейронные сети.Тема 3. Методы оптимизации для обучения нейронных сетей. Софтмакс и кросс-энтропия.Тема 4. Сверточные нейронные сети.Тема 5. Рекуррентные нейронные сети.Тема 6. Математический аппарат механизма attention. Механизм self-attention. Трансформеры
04Раздел 1. Основы Python
Тема 1. Типы данных. Списки, кортежи, словари.Тема 2. Условные операторы. Циклы while и for.Тема 3. Работа со строковыми данными.Тема 4. Использование итераторов и генераторов.Тема 5. Функции. Декораторы.Тема 6. Основы ООП
05Раздел 2. Основы библиотек языков программирования и инструменты разработки
Тема 1. Библиотека Numpy для задач линейной алгебры.Тема 2. Обработка данных с помощью Pandas.Тема 3. Визуализация данных с использованием Matplotlib и Seaborn.Тема 4. Работа с алгоритмами машинного обучения в Scikit-learn.Тема 5. Построение нейронных сетей с помощью TensorFlow.Тема 6. Библиотека PyTorch для нейронных сетей
06Раздел 3. Основы баз данных
Тема 1. Реляционные и нереляционные СУБД. Принципы работы СУБД ClickHouse.Тема 2. Создание баз данных и таблиц в ClickHouse. Вставка данных в таблицу.Тема 3. Запросы SELECT. Объединение данных из разных таблиц с помощью JOIN.Тема 4. Агрегирующие и аналитические запросы. Оконные функции.Тема 5. Работа с временем. Материализация данных.Тема 6. Обработка запросов. Сжатие данных
07Раздел 1. Задачи анализа изображений с использованием глубокого обучения
Тема 1. Исследование аномалий во временных рядах на примере изменения параметров оборудования.Тема 2. Семантическая сегментация промышленных изображений.Тема 3. Методы и задачи обнаружения объектов на изображениях в системах камерного мониторинга
08Раздел 2. Задачи анализа изображений с использованием глубокого обучения
Тема 1. Решение задач анонимизации медицинских изображений.Тема 2. Сегментация изображений тканей организма.Тема 3. Object detection для изображений тканей организма. Тема 4. Регуляция экспрессии генов в организме и заболевания, связанные с ее нарушением.Тема 5. Применение нейронных сетей для предсказания эпигенетических меток.Тема 6. Проблема предсказания эффектов индивидуальных вариантов и применение нейронных сетей для работы с данными массового параллельного секвенирования с репортерами
01Раздел 1. Избранные разделы теории вероятностей и математической статистики
Тема 1. Основные понятия комбинаторики. Перестановки, размещения, сочетания.Тема 2. Случайные события. Вероятность.Тема 3. Условная вероятность. Формула полной вероятности. Формула Байеса.Тема 4. Дискретные случайные величины.Тема 5. Непрерывные случайные величины. Нормальное распределение.Тема 6. Проверка статистических гипотез
02Раздел 2. Математические методы машинного обучения
Тема 1. Линейная регрессия. Тема 2. Логистическая регрессия.Тема 3. Деревья решений.Тема 4. Случайный лес.Тема 5. Градиентный бустинг.Тема 6. Кластеризация k-means
03Раздел 3. Математические методы искусственных нейронных сетей
Тема 1. Введение в математический аппарат нейронных сетей.Тема 2. Математическая модель перцептрона. Многослойные нейронные сети.Тема 3. Методы оптимизации для обучения нейронных сетей. Софтмакс и кросс-энтропия.Тема 4. Сверточные нейронные сети.Тема 5. Рекуррентные нейронные сети.Тема 6. Математический аппарат механизма attention. Механизм self-attention. Трансформеры
04Раздел 1. Основы Python
Тема 1. Типы данных. Списки, кортежи, словари.Тема 2. Условные операторы. Циклы while и for.Тема 3. Работа со строковыми данными.Тема 4. Использование итераторов и генераторов.Тема 5. Функции. Декораторы.Тема 6. Основы ООП
05Раздел 2. Основы библиотек языков программирования и инструменты разработки
Тема 1. Библиотека Numpy для задач линейной алгебры.Тема 2. Обработка данных с помощью Pandas.Тема 3. Визуализация данных с использованием Matplotlib и Seaborn.Тема 4. Работа с алгоритмами машинного обучения в Scikit-learn.Тема 5. Построение нейронных сетей с помощью TensorFlow.Тема 6. Библиотека PyTorch для нейронных сетей
06Раздел 3. Основы баз данных
Тема 1. Реляционные и нереляционные СУБД. Принципы работы СУБД ClickHouse.Тема 2. Создание баз данных и таблиц в ClickHouse. Вставка данных в таблицу.Тема 3. Запросы SELECT. Объединение данных из разных таблиц с помощью JOIN.Тема 4. Агрегирующие и аналитические запросы. Оконные функции.Тема 5. Работа с временем. Материализация данных.Тема 6. Обработка запросов. Сжатие данных
07Раздел 1. Задачи анализа изображений с использованием глубокого обучения
Тема 1. Исследование аномалий во временных рядах на примере изменения параметров оборудования.Тема 2. Семантическая сегментация промышленных изображений.Тема 3. Методы и задачи обнаружения объектов на изображениях в системах камерного мониторинга
08Раздел 2. Задачи анализа изображений с использованием глубокого обучения
Тема 1. Решение задач анонимизации медицинских изображений.Тема 2. Сегментация изображений тканей организма.Тема 3. Object detection для изображений тканей организма. Тема 4. Регуляция экспрессии генов в организме и заболевания, связанные с ее нарушением.Тема 5. Применение нейронных сетей для предсказания эпигенетических меток.Тема 6. Проблема предсказания эффектов индивидуальных вариантов и применение нейронных сетей для работы с данными массового параллельного секвенирования с репортерами
Документ после выпуска
сертификат
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Машинное обучение и искусственный интеллект» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Информация обновлена 28 сентября 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![Deep Learning (семестр 1, осень 2025) [АРХИВ]](https://cdn.stepik.net/media/cache/images/courses/250969/cover_3ghM7i5/aab82cc6ba6ad93120824913eeaab261.jpg)
