искусственного интеллекта
Разработчик решений на основе
Научитесь создавать нестандартные решения на основе ИИ, которые позволят стать незаменимым специалистом для решения бизнес задач высокой сложности
Системный и фундаментальный подход к обучению
Программа дополнительной профессиональной переподготовки
Длительность
8 месяцев
«Аналитик данных»
Диплом о переквалификации
15 мая
Старт программы
Влияние ИИ на отрасли экономики растет с ускорением
организаций
в 2024 году планируют инвестировать в ИИ
20
компаний
уже используют ИИ для снижения операционных расходов
40
сервисов
для обучения ИИ моделей будут использовать генеративный ИИ
К 2025 году
внедрение ИИ высвободит 85 млн рабочих мест в мире и создаст 97 млн новых
К 2030 году
70% компаний в мире для обучения ИИ моделей будут использовать генеративный ИИ
35
%
%
%
Получите востребованную профессию и перейдите на более высокий карьерный уровень!
в области искусственного интеллекта, чтобы быть готовым к задачам завтрашнего дня
разработчика, освоив методы создания production-ready решений для систем ИИ
в своей предметной области за счет использования инструментов искусственного интеллекта
Сделайте первый шаг
Прокачайте экспертный статус
Повысьте профессиональный статус
Три этапа освоения программы
Базовые знания и инструменты с ИИ
математические методы ИИ
средства обработки и представления данных
инструменты разработки (языки программирования, библиотеки, фреймворки)
Прикладные задачи и сценарии для ИИ
анализ числовых данных
обработка естественного языка
анализ изображений
Специализация и итоговый проект
выбор предметной области (инженерия, безопасность, финансы, медицина, логистика и др.)
разработка модели
«Упаковка модели» в продукт, интеграция и развертывание
Обучение подойдет вам, если вы:
Погружение в искусственный интеллект с нуля
Начинающий специалист и студент
Практическое обучение на реальных кейсах
Возможность создать свой первый AI-проект и добавить его в портфолио
Выход на рынок с актуальными навыками, которые востребованы уже сейчас
Глубокое понимание алгоритмов машинного обучения и нейросетей
Опытный программист и разработчик
Навыки работы с современными библиотеками Python (TensorFlow, PyTorch и др.)
Возможность интегрировать AI в текущие проекты и повысить свою ценность на рынке
Перспектива карьерного роста и выхода на более высокие позиции в AI-разработке
Конкурентное преимущество на рынке труда за счет сочетания аналитики и AI
Возможность автоматизировать аналитику и внедрять AI-решения в бизнес
Навыки работы с большими массивами данных и построения предсказательных моделей
Аналитик (бизнес-аналитик, системный аналитик, Data Science-специалист)
Понимание, как работают алгоритмы AI и как их использовать в анализе данных
Ваши решения на основе ИИ сумеют
Естественным языком общаться с людьми в виде чат-ботов и системы машинного перевода
Находить на изображениях нужные образы и визуализировать текст
Обнаруживать закономерности, для которых еще не открыты классические законы
Управлять техническими системами
решает ваши задачи
соответствует требованиям заказчика
Реальный инструмент, который:
По итогам обучения вы создадите рабочий продукт!
Как обучить и запустить нейросетевую модель в Excel
Получите бесплатно плагин + видео инструкцию от наших преподавателей
Университет в национальных рейтингах
1918 год
8400+
95,4%
51 000
слушателей онлайн-программ ежегодно
доля трудоустроенных выпускников
выпускников ДПО ежегодно
основание университета
НИТУ МИСиС – ведущий университет с вековой историей
Содержание программы
Изучаем основы математических понятий, методов и алгоритмов, на которых основаны технологии искусственного интеллекта. Эти знания позволят понимать механизм методов ИИ, правильно выбирать и оптимизировать модели ИИ с учетом особенностей решаемых задач. В рамках модуля рассматриваются как классические подходы, так и современные методы глубокого обучения, включая сверточные и рекуррентные нейронные сети.
- Линейные модели
- Метод опорных векторов (SVM)
- Методы кластеризации
- Решающие деревья и ансамбли деревьев
- Методы глубокого обучения: применение сверточных нейронных сетей (CNN) и рекуррентных нейронных сетей (RNN).
- Размерность и отбор признаков: методы снижения размерности данных: PCA, t-SNE и LDA
Изучаем инструменты для разработки систем на основе искусственного интеллекта. Рассмотрим применение наиболее популярных и удобных языков программирования: Python и R. Изучим основные структуры данных, используемые в алгоритмах, и освоим работу с популярными библиотеками для обработки данных.
- Основы языков программирования для проектирования систем на основе искусственного интеллекта: Python, R
- Основные концепции и инструменты языка программирования Python
- Интегрированные среды разработки (IDE): PyCharm, Visual Studio Code.
- Базовые библиотеки: Numpy, Pandas, Matplotlib и Seaborn
- Основные алгоритмы и структуры данных
- Ввод-вывод в/из файлов: чтение и запись файлов csv, json, xml.
- Введение в математический аппарат искусственных нейронных сетей:
- От логистической регрессии к нейронным сетям:
- Оптимизационные методы: SGD, Mini-batch optimization, SGD with momentum, RMS prop, Adam. Софтмакс и Кросс- энтропия. Batch-norm.
- Искусственные нейронные сети для работы с изображениями (LeNet, AlexNet, VGG, GoogleNet, ResNet и т.д.)
- Изучение рекуррентных нейронных сетей (RNN) и их способности работать с последовательными данными.
- Архитектуры с памятью LSTM и GRU.
- Математический аппарат механизма attention (BERT и GPT).
Применяем методы глубокого обучения для практических задач анализа изображений: транспорт, медицина, видеомониторинг, дефектоскопия на производстве. Осваиваем методы обработки изображений, включая сегментацию, детектирование объектов и препроцессинг данных.
- Анализ изображений в системах поддержки управления транспортными средствами
- Сегментация изображения и сопутствующие методы препроцессинга данных
- Детектирование объектов на изображении и сопутствующие методы препроцессинга данных
- Особенности обработки и анализа медицинских изображений
- Задачи и методы детектирования объектов на изображениях в системах видеомониторинга
- Прогнозирование экстремальных погодных явлений, оценка их локального воздействия на городскую среду
Изучаем алгоритмы глубокого обучения для задач обработки естественного языка (NLP). Рассмотрим и классические подходы, и современные архитектуры. Научимся решать основные задачи NLP: классификация текста, кластеризация и генерация текста.
- Основные задачи обработки естественного языка и методы их решения
- Основы работы с массивами данных в задачах обработки естественного языка
- Специальные методы обработки естественного языка модель ( Word2Vec )
- Реализация решений основных задач обработки естественного языка ( методы: “мешок слов”, модель TD-IDF, метод опорных векторов, латентное распределение Дирихле, кластерный анализ )
- Специальные алгоритмы и их элементы
- Основные архитектуры моделей для работы с задачами естественного языка и их реализации: базовая архитектура, архитектура Llama, архитектура GPT
Изучаем рекомендательные систем для персонализации пользовательского опыта в различных сферах (электронная коммерция, стриминговые платформы и социальные сети и т.д.). Рассмотрим основные подходы к построению рекомендательных систем, включая контентную и коллаборативную фильтрацию, матричные разложения и применение нейронных сетей. Узнаем, как подготавливать данные для таких систем в реальных условиях.
- Рекомендательные системы в практическом применении, их возможности и ограничения.
- Подготовка данных для работы рекомендательных систем.
- Контентная фильтрация.
- Коллаборативная фильтрация.
- Матричные разложения.
- Нейронные сети в рекомендательных системах.
Изучаем реляционные и нереляционные модели данных, язык запросов SQL, методы нормализации и оптимизации данных в системах искусственного интеллекта. Осваиваем NoSQL базы данных для работы с неструктурированными данными, а также инструменты для работы с большими массивами данных.
- Способы представления и структуры данных, реляционные и нереляционные модели данных.
- Язык запросов SQL.
- Нормализация данных и оптимизация запросов.
- Инструменты для работы с SQL-базами данных.
- Работа с большими массивами данных.
- NoSQL базы данных.
Изучаем процессы развертывания и эксплуатации систем искусственного интеллекта при внедрении моделей машинного обучения в реальные продукты. Развертываем различные архитектуры, создаем пайплайны, деплоим и публикуем свои модели в производственные среды.
- Основы архитектуры и процессов развертывания систем машинного обучения
- Исследование данных и построение ML пайплайнов
- Создание Python пакетов на основе ML модели: публикация проекта на PyPI
- Деплой модели через REST API
- Воспроизводимость, трекинг и сравнение экспериментов
- Деплой нейросетевых моделей
Получи полную программу, примеры итоговых работ и список рекомендованной литературы для эффективного прохождения обучения
В фокусе - комфорт и продуктивность обучения!
Удобный формат обучения
Гибкий график, синхронный и асинхронный формат
Просто о сложном
Изучаем теорию в доступной форме: занятия с преподавателем в очном формате, качественные видеоматериалы для самостоятельного изучения, ответы на вопросы в чате
Практические занятия
Практика с первых дней обучения: разбор кейсов, выполнение практических заданий, в том числе на оборудовании компаний-партнеров, доступ к дополнительным материалам
Будь на связи!
Сопровождение менторов, консультации и обратная связь на протяжении всего обучения
Итоговый проект
Создайте продукт, который нужен именно вам! Разработать программный код для ИИ или адаптировать его для решения прикладных задач — выбор за вами!
Альянс в сфере ИИ
Освойте востребованную специальность по анализу данных в области искусственного интеллекта! Аналитик данных входит в семейство специальностей, разработанных Альянсом в сфере искусственного интеллекта
Преподаватели
Федоров Игорь Юрьевич
кандидат физико-математических наук, доцент кафедры инженерной кибернетики НИТУ МИСИС
Ширкин Сергей Владимирович
старший преподаватель кафедры инженерной кибернетики НИТУ МИСИС
Гаврилюк Владимир Андреевич
инженер-разработчик ООО "Гарпикс"
Садеков Ринат Наильевич
доктор технических наук, доцент, главный инженер-разработчик ООО “Когнитив Роботикс”, профессор кафедры инженерной кибернетики НИТУ МИСИС
Тагиев Эмин Рафаилович
старший преподаватель кафедры инженерной кибернетики НИТУ МИСИС
Отзывы наших учеников
Стоимость обучения
Полная стоимость обучения:
Заполните данные и менеджер свяжется с вами:
197 600 руб
Рассрочка без переплат на 8 месяцев:
24 700 руб/мес
человек
всего в группе
Часто задаваемые вопросы
С помощью обучающих алгоритмов машинного обучения можно научить программы делать что угодно:
- Предлагать дополнительные товары, которые пользователь купит с наибольшей вероятностью, на основе анализа его поведения на сайте и предыдущих покупок. Благодаря этому можно увеличивать продажи и прибыль бизнеса. Этому вы научитесь в модулях по рекомендательным системам.
- Предсказывать события в клиентской базе. Таким образом можно заранее предпринять меры, которые сократят расходы или увеличат прибыль. Возьмем для примера страховую компанию, которая предоставляет услуги ДМС. Если она научит программу предсказывать, кто из клиентов в ближайшее время обратится за дорогостоящей медицинской услугой, то сможет предпринять меры, чтобы сократить расходы по ДМС. Например, позвонить клиенту и предложить ему проконсультироваться с хорошим врачом, чтобы не допустить развития болезни. Прогнозирование вы изучите в блоке «Введение в машинное обучение».
- Формировать заказы на поставку для магазинов сети с учетом динамики продаж, сезона, прогноза погоды и других параметров. Таким образом не допускать, чтобы в торговых точках было затоваривание или нехватка товара. Построению таких моделей посвящены разделы курса по анализу временных рядов.
- Сегментировать клиентов, чтобы делать им подходящие предложения. Возьмем для примера банк, который создал новый вид кредита. С помощью машинного обучения он может выявить в базе клиентов тех, кто вероятнее всего воспользуется таким кредитом. Решать такие задачи вы научитесь в блоке «Математика и углубленное машинное обучение».
- Области применения машинного обучения и Python практически безграничны: от контроля качества товаров до диагностики оборудования на производстве, от продаж до аналитики, от повышения персонализации до аудита. Вы сможете использовать возможности алгоритмов практически в любой сфере. Проекты нашей учебной программы не ограничены какой-то определенной индустрией — вы сможете понять весь спектр применения анализа данных.
- Основы библиотек языков программирования и инструменты разработки
- Базы данных и инструменты анализа данных
- Инструменты развертывания и эксплуатации систем искусственного интеллекта
- Да, знания в математике и других точных науках полезны, но программа составлена таким образом, что необходимые базовые знания будут даны в процессе обучения.
- Важно иметь интерес и готовность к изучению математики. Программа сформирована так, чтобы помочь студентам уверенно освоить все необходимые концепции и методы.
- Знания программирования будут полезны, но не обязательны для начала обучения в программе.
- Если у вас уже есть опыт программирования, это будет дополнительным преимуществом, но многие студенты начинают с нуля.
- В любом случае, программы образования в области данных часто ориентированы на разные уровни подготовки, поэтому вы сможете найти подходящий уровень, даже если не имеете опыта программирования.
Нет, вступительный экзамен сдавать не нужно. Однако у вас должно быть высшее образование. По итогам обучения вам предстоит защитить итоговый проект.
Занятия проходят в вечернее время, так что их вполне можно совмещать с работой.
Да, все лекции будут записываться, и вы сможете их просматривать в любое удобное время.
Обучение длится 10 месяцев и проходит в очно-заочной форме: часть материала студенты осваивают самостоятельно на основе записанных видеоуроков, часть занятий проходит в режиме реального времени с преподавателем, а некоторые задания выполняются самостоятельно.
По окончании программы вы получите диплом о профессиональной переподготовке и присвоении квалификации “Аналитик данных” с правом ведения профессиональной деятельности в сфере искусственного интеллекта.
© 2025 Университет науки и технологий МИСИС
Шаблон для запуска нейросетевой модели в Excel
Плагин + Описание + Видеоинструкция
Записаться на программу