Пройдя данную Специализированную магистратуру, вы узнаете, как искусственный интеллект преобразует отрасли, и подготовитесь к тому, чтобы руководить этими изменениями"

ИИ преобразует многие отрасли, от здравоохранения до логистики, от автомобилестроения до электронной коммерции. Их способность автоматизировать повторяющиеся задачи и повышать эффективность работы привела к росту спроса на специалистов, способных освоить различные типы алгоритмов машинного обучения. В таком новом и постоянно развивающемся секторе крайне важно идти в ногу со временем, чтобы конкурировать на рынке труда, который все больше зависит от технологий.

Именно по этой причине TECH разработал программу, которая представляет собой стратегический ответ для улучшения карьерных перспектив и потенциала продвижения инженеров. Таким образом, была разработана инновационная учебная программа, в рамках которой студенты будут изучать основы искусственного интеллекта и углублять свое понимание добычи данных.

На протяжении всего обучения по данной Специализированной магистратуре студенты будут погружаться в фундаментальные основы, прослеживать историческую эволюцию ИИ и изучать его будущие прогнозы. Таким образом, они углубят свою интеграцию в приложения массового использования, чтобы понять, как эти платформы улучшают пользовательский опыт и оптимизируют операционную эффективность.

Таким образом, это эксклюзивная академическая программа, благодаря которой профессионалы смогут разрабатывать оптимизационные процессы, вдохновленные биологической эволюцией, находить и применять эффективные решения сложных проблем с глубоким пониманием искусственного интеллекта.

Чтобы облегчить интеграцию новых знаний, TECH создал эту комплексную программу, основанную на эксклюзивной методологии Relearning. Согласно этому подходу, студенты будут укреплять понимание путем повторения ключевых концепций на протяжении всей программы, которые будут представлены в различных аудиовизуальных средствах для постепенного и эффективного усвоения знаний. И все это по инновационной и гибкой системе, полностью в режиме онлайн, что позволяет адаптировать обучение к расписанию студентов.

Повысьте свой профессиональный уровень, разрабатывая передовые решения на основе искусственного интеллекта с помощью самой комплексной программы в цифровом академическом ландшафте"

Данная Специализированная магистратура в области искусственного интеллекта содержит самую полную и современную образовательную программу на рынке. Наиболее характерными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области  искусственного интеллекта
• Наглядное, схематичное и исключительно практичное содержание программы предоставляет актуальную и практическую информацию по тем дисциплинам, которые необходимы для профессиональной практики
• Практические упражнения для самооценки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа
• Учебные материалы курса доступны с любого стационарного или мобильного устройства с выходом в интернет

Вы узнаете обо всем, начиная с эволюции нейронных сетей и заканчивая глубоким обучением, и приобретете прочные навыки в реализации передовых решений в области искусственного интеллекта"

В преподавательский состав программы входят профессионалы из данного сектора, которые привносят в обучение опыт своей работы, а также признанные специалисты из ведущих сообществ и престижных университетов.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту проходить обучение с учетом контекста и ситуации, т.е. в симулированной среде, обеспечивающей иммерсивный учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалист должен попытаться разрешать различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом специалистам поможет инновационная интерактивная видеосистема, созданная признанными экспертами.

Вы будете совершенствовать потенциал хранилищ данных в лучшем в мире цифровом университете, по версии Forbes"

Вы сможете получать доступ к эксклюзивным материалам виртуального кампуса 24 часа в сутки, без географических и временных ограничений"

Эта учебная программа была разработана группой экспертов в области искусственного интеллекта, с особым акцентом на процессы обнаружения знаний и машинное обучение. Таким образом, студент получит представление о разработке алгоритмов и моделей, которые позволяют машинам изучать шаблоны и выполнять задачи, не будучи явно запрограммированными на это. Кроме того, TECH применяет новаторскую методологию Relearning, благодаря которой профессионалы интегрируют прочные знания в оценку моделей прогрессивным и эффективным способом.

Вы погрузитесь в формулировку генетических алгоритмов благодаря 12 месяцам лучшего цифрового обучения. Повышайте свой профессиональный уровень с помощью TECH"

Модуль 1. Основы искусственного интеллекта

1.1. История искусственного интеллекта

1.1.1. Когда мы начали говорить об искусственном интеллекте?
1.1.2. Упоминания в кино
1.1.3. Важность искусственного интеллекта
1.1.4. Технологии, обеспечивающие и поддерживающие искусственный интеллект

1.2. Искусственный интеллект в играх

1.2.1. Теория игр
1.2.2. Минимакс и Альфа-бета-отсечение
1.2.3. Моделирование: Монте-Карло

1.3. Нейронные сети

1.3.1. Биологические основы
1.3.2. Вычислительная модель
1.3.3. Контролируемые и неконтролируемые нейронные сети
1.3.4. Простой перцептрон
1.3.5. Многослойный перцептрон

1.4. Генетические алгоритмы

1.4.1. История
1.4.2. Биологическая основа
1.4.3. Кодирование проблемы
1.4.4. Генерация начальной популяции
1.4.5. Основной алгоритм и генетические операторы
1.4.6. Оценка отдельных лиц: Fitness

1.5. Тезаурусы, словари, таксономии

1.5.1. Словари
1.5.2. Таксономия
1.5.3. Тезаурусы
1.5.4. Онтологии
1.5.5. Представление знаний: семантическая паутина

1.6. Семантическая паутина

1.6.1. Спецификация: RDF, RDFS и OWL
1.6.2. Выводы/рассуждения
1.6.3. Linked Data

1.7. Экспертные системы и DSS

1.7.1. Экспертные системы
1.7.2. Системы поддержки принятия решений

1.8. Чатботы и виртуальные помощники

1.8.1. Типы помощников: голосовые и текстовые помощники
1.8.2. Основополагающие детали для развития помощника: Намерения, структура и диалог
1.8.3. Интеграция: web, Slack, Whatsapp, Facebook
1.8.4. Инструменты разработки помощников: Dialog Flow, Watson Assistant

1.9. Стратегия и внедрение ИИ
1.10. Будущее искусственного интеллекта

1.10.1. Мы понимаем, как определять эмоции с помощью алгоритмов
1.10.2. Создание личности: язык, выражения и содержание
1.10.3. Тенденции искусственного интеллекта
1.10.4. Размышления

Модуль 2. Виды и жизненный цикл данных

2.1. Статистика

2.1.1. Статистика: описательная статистика, статистические выводы
2.1.2. Население, выборка, индивидуум
2.1.3. Переменные: определение, шкалы измерения

2.2. Типы статистических данных

2.2.1. По типу

2.2.1.1. Количественные: непрерывные данные и дискретные данные
2.2.1.2. Качественные: биномиальные данные, номинальные данные, порядковые данные

2.2.2. По форме

2.2.2.1. Числовые
2.2.2.2. Текст
2.2.2.3. Логические

2.2.3. Согласно источнику

2.2.3.1. Первичные
2.2.3.2. Вторичные

2.3. Жизненный цикл данных

2.3.1. Этапы цикла
2.3.2. Основные этапы цикла
2.3.3. Принципы FAIR

2.4. Начальные этапы цикла

2.4.1. Определение целей
2.4.2. Определение необходимых ресурсов
2.4.3. Диаграмма Гантта
2.4.4. Структура данных

2.5. Сбор данных

2.5.1. Методология сбора
2.5.2. Инструменты сбора
2.5.3. Каналы сбора

2.6. Очистка данных

2.6.1. Этапы очистки данных
2.6.2. Качество данных
2.6.3. Работа с данными (с помощью R)

2.7. Анализ данных, интерпретация и оценка результатов

2.7.1. Статистические меры
2.7.2. Индексы отношений
2.7.3. Добыча данных

2.8. Хранилище данных (datawarehouse)

2.8.1. Элементы, входящие в его состав
2.8.2. Разработка
2.8.3. Аспекты, которые следует учитывать

2.9. Доступность данных

2.9.1. Доступ
2.9.2. Полезность
2.9.3. Безопасность

2.10. Нормативно-правовые аспекты

1.10.1. Закон о защите данных
1.10.2. Передовая практика
1.10.3. Другие нормативные аспекты

Модуль 3. Данные в искусственном интеллекте

3.1. Наука о данных

3.1.1. Наука о данных
3.1.2. Передовые инструменты для исследователя данных

3.2. Данные, информация и знания

3.2.1. Данные, информация и знания
3.2.2. Типы данных
3.2.3. Источники данных

3.3. От данных к информации

3.3.1. Анализ данных
3.3.2. Виды анализа
3.3.3. Извлечение информации из набора данных

3.4. Извлечение информации путем визуализации

3.4.1. Визуализация как инструмент анализа
3.4.2. Методы визуализации
3.4.3. Визуализация набора данных

3.5. Качество данных

3.5.1. Данные о качестве
3.5.2. Очистка данных
3.5.3. Основная предварительная обработка данных

3.6. Набор данных

3.6.1. Обогащение набора данных
3.6.2. Проклятие размерности
3.6.3. Модификация нашего набора данных

3.7. Выведение из равновесия

3.7.1. Дисбаланс классов
3.7.2. Методы устранения дисбаланса
3.7.3. Сбалансированность набора данных

3.8. Модели без контроля

3.8.1. Модель без контроля
3.8.2. Методы
3.8.3. Классификация с помощью моделей без контроля

3.9. Модели под контролем

3.9.1. Модель под контролем
3.9.2. Методы
3.9.3. Классификация с помощью моделей под контролем

3.10. Инструменты и передовой опыт

3.10.1. Передовая практика для специалиста по исследованию данных
3.10.2. Лучшая модель
3.10.3. Полезные инструменты

Модуль 4. Добыча данных. Отбор, предварительная обработка и преобразование

4.1. Статистический вывод

4.1.1. Описательная статистика vs. Статистическое заключение
4.1.2. Параметрические методы
4.1.3. Непараметрические методы

4.2. Исследовательский анализ

4.2.1. Описательный анализ
4.2.2. Визуализация
4.2.3. Подготовка данных

4.3. Подготовка данных

4.3.1. Интеграция и очистка данных
4.3.2. Нормализация данных
4.3.3. Преобразование данных

4.4. Отсутствующие данные

4.4.1. Обработка отсутствующих значений
4.4.2. Метод максимального правдоподобия
4.4.3. Обработка отсутствующих данных в машинном обучении

4.5. Шум в данных

4.5.1. Классы и признаки шума
4.5.2. Фильтрация шумов
4.5.3. Шумовой эффект

4.6. Проклятие размерности

4.6.1. Oversampling
4.6.2. Undersampling
4.6.3. Редукция многомерных данных

4.7. От непрерывных к дискретным признакам

4.7.1. Непрерывные и дискретные данные
4.7.2. Процесс дискретизации

4.8. Данные

4.8.1. Выбор данных
4.8.2. Перспективы и критерии отбора
4.8.3. Методы отбора

4.9. Выбор экземпляров

4.9.1. Методы выбора экземпляра
4.9.2. Выбор прототипов
4.9.3. Расширенные методы выбора экземпляра

4.10. Предварительная обработка больших данных

Модуль 5. Алгоритм и сложность в искусственном интеллекте

5.1. Введение в шаблоны разработки алгоритмов

5.1.1. Рекурсия
5.1.2. "Разделяй и властвуй"
5.1.3. Другие стратегии

5.2. Эффективность и анализ работы алгоритмов

5.2.1. Меры эффективности
5.2.2. Измерение объема данных на входе
5.2.3. Измерение времени выполнения
5.2.4. Случаи: худший, лучший и средний
5.2.5. Асимптотическая нотация
5.2.6. Критерии математического анализа нерекурсивных алгоритмов
5.2.7. Критерии математического анализа рекурсивных алгоритмов
5.2.8. Эмпирический анализ алгоритмов

5.3. Алгоритмы сортировки

5.3.1. Концепция сортировки
5.3.2. Пузырьковая сортировка
5.3.3. Сортировка выбором
5.3.4. Сортировка вставками
5.3.5. Сортировка слиянием (Merge_Sort)
5.3.6. Быстрая сортировка (Quick_Sort)

5.4. Алгоритмы с применением деревьев

5.4.1. Концепция дерева
5.4.2. Бинарные деревья
5.4.3. Обходы деревьев
5.4.4. Представление выражений
5.4.5. Упорядоченные бинарные деревья
5.4.6. Сбалансированные бинарные деревья

5.5. Алгоритмы с применением кучей

5.5.1. Что такое кучи
5.5.2. Алгоритм сортировки кучей
5.5.3. Очереди с приоритетом

5.6. Алгоритмы на графах

5.6.1. Представление
5.6.2. Обход в ширину
5.6.3. Обход в глубину
5.6.4. Топологическая сортировка

5.7. Жадные алгоритмы

5.7.1. Жадная стратегия
5.7.2. Элементы жадной стратегии
5.7.3. Обмен монет
5.7.4. Задача коммивояжера
5.7.5. Задача о рюкзаке

5.8. Поиск кратчайших путей

5.8.1. Задача о кратчайшем пути
5.8.2. Отрицательные дуги и циклы
5.8.3. Алгоритм Дейкстры

5.9. Жадные алгоритмы на графах

5.9.1. Минимальное остовное дерево
5.9.2. Алгоритм Прима
5.9.3. Алгоритм Краскала
5.9.4. Анализ сложности

5.10. Техника Backtracking

5.10.1. Техника Backtracking
5.10.2. Альтернативные техники

Модуль 6. Интеллектуальные системы

6.1. Теория агентов

6.1.1. История концепции
6.1.2. Определение агента
6.1.3. Агенты в системах искусственного интеллекта
6.1.4. Агенты в программной инженерии

6.2. Архитектуры агентов

6.2.1. Процесс рассуждения агента
6.2.2. Реактивные агенты
6.2.3. Дедуктивные агенты
6.2.4. Гибридные агенты
6.2.5. Сравнение

6.3. Информация и знания

6.3.1. Различие между данными, информацией и знаниями
6.3.2. Оценка качества данных
6.3.3. Методы сбора данных
6.3.4. Методы получения информации
6.3.5. Методы приобретения знаний

6.4. Представление знаний

6.4.1. Важность представления знаний
6.4.2. Определение представления знаний через их роли
6.4.3. Характеристики представления знаний

6.5. Онтологии

6.5.1. Введение в метаданные
6.5.2. Философская концепция онтологии
6.5.3. Вычислительная концепция онтологии
6.5.4. Онтологии доменов и онтологии более высокого уровня
6.5.5. Как создать онтологию?

6.6. Онтологические языки и программное обеспечение для создания онтологий

6.6.1. Семантическая тройка RDF, Turtle и N
6.6.2. RDF Schema
6.6.3. OWL
6.6.4. SPARQL
6.6.5. Знакомство с различными инструментами для создания онтологий
6.6.6. Установка и использование Protégé

6.7. Семантическая паутина

6.7.1. Текущее состояние и будущее семантической паутины
6.7.2. Семантические веб-приложения

6.8. Другие модели представления знаний

6.8.1. Словари
6.8.2. Обзор
6.8.3. Таксономия
6.8.4. Тезаурусы
6.8.5. Фолксономии
6.8.6. Сравнение
6.8.7. Карты разума

6.9. Оценка и интеграция представлений знаний

6.9.1. Логика нулевого порядка
6.9.2. Логика первого порядка
6.9.3. Дескрипционная логика
6.9.4. Взаимосвязь между различными типами логики
6.9.5. Пролог: программирование на основе логики первого порядка

6.10. Семантические анализаторы, системы, основанные на знаниях, и экспертные системы

6.10.1. Концепция анализатора
6.10.2. Применение анализатора
6.10.3. Системы, основанные на знаниях
6.10.4. MYCIN, история экспертных систем
6.10.5. Элементы и архитектура экспертных систем
6.10.6. Создание экспертных систем

Модуль 7. Машинное обучение и добыча данных

7.1. Введение в процессы обнаружения знаний и основные концепции машинного обучения

7.1.1. Ключевые понятия процесса обнаружения знаний
7.1.2. Исторический взгляд процесса обнаружения знаний
7.1.3. Этапы процесса обнаружения знаний
7.1.4. Методы, используемые в процессах обнаружения знаний
7.1.5. Характеристики хороших моделей машинного обучения
7.1.6. Типы информации машинного обучения
7.1.7. Основные концепции обучения
7.1.8. Основные концепции обучения без контроля

7.2. Исследование и предварительная обработка данных

7.2.1. Обработка данных
7.2.2. Обработка данных в потоке анализа данных
7.2.3. Типы данных
7.2.4. Преобразование данных
7.2.5. Визуализация и исследование непрерывных переменных
7.2.6. Визуализация и исследование категориальных переменных
7.2.7. Корреляционные меры
7.2.8. Наиболее распространенные графические представления
7.2.9. Введение в многомерный анализ и снижение размерности

7.3. Деревья решений

7.3.1. Алгоритм ID
7.3.2. Алгоритм C
7.3.3. Перегрузка и обрезка
7.3.4. Анализ результатов

7.4. Оценка классификаторов

7.4.1. Матрицы путаницы
7.4.2. Матрицы численной оценки
7.4.3. Kappa-статистика
7.4.4. ROC-кривая

7.5. Правила классификации

7.5.1. Меры по оценке правил
7.5.2. Введение в графическое представление
7.5.3. Алгоритм последовательного оверлея

7.6. Нейронные сети

7.6.1. Основные понятия
7.6.2. Простые нейронные сети
7.6.3. Алгоритм Backpropagation
7.6.4. Введение в рекуррентные нейронные сети

7.7. Байесовские методы

7.7.1. Основные понятия вероятности
7.7.2. Теорема Байеса
7.7.3. Наивный Байес
7.7.4. Введение в байесовские сети

7.8. Регрессия и модели непрерывного отклика

7.8.1. Простая линейная регрессия
7.8.2. Множественная линейная регрессия
7.8.3. Логистическая регрессия
7.8.4. Деревья регрессии
7.8.5. Введение в машины опорных векторов (SVM)
7.8.6. Меры соответствия

7.9. Кластеризация

7.9.1. Основные понятия
7.9.2. Иерархическая кластеризация
7.9.3. Вероятностные методы
7.9.4. Алгоритм EM
7.9.5. Метод B-Cubed
7.9.6. Неявные методы

7.10. Интеллектуальный анализ текста и обработка естественного языка (NLP)

7.10.1. Основные понятия
7.10.2. Создание корпуса
7.10.3. Описательный анализ
7.10.4. Введение в анализ чувств

Модуль 8. Нейронные сети, основа глубокого обучения

8.1. Глубокое обучение

8.1.1. Виды глубокого обучения
8.1.2. Области применения глубокого обучения
8.1.3. Преимущества и недостатки глубокого обучения

8.2. Операции

8.2.1. Сумма
8.2.2. Продукт
8.2.3. Перевод

8.3. Слои

8.3.1. Входной слой
8.3.2. Скрытый слой
8.3.3. Выходной слой

8.4. Склеивание слоев и операции

8.4.1. Проектирование архитектур
8.4.2. Соединение между слоями
8.4.3. Распространение вперед

8.5. Построение первой нейронной сети

8.5.1. Проектирование сети
8.5.2. Определение весов
8.5.3. Практика сети

8.6. Тренажер и оптимизатор

8.6.1. Выбор оптимизатора
8.6.2. Установление функции потерь
8.6.3. Установление метрики

8.7. Применение принципов нейронных сетей

8.7.1. Функции активации
8.7.2. Обратное распространение
8.7.3. Установка параметров

8.8. От биологических нейронов к искусственным

8.8.1. Функционирование биологического нейрона
8.8.2. Передача знаний искусственным нейронам
8.8.3. Установление взаимоотношений между ними

8.9. Реализация MLP (многослойного перцептрона) с помощью Keras

8.9.1. Определение структуры сети
8.9.2. Составление модели
8.9.3. Обучение модели

8.10. Тонкая настройка гиперпараметров нейронных сетей

8.10.1. Выбор функции активации
8.10.2. Установка скорости обучения
8.10.3. Установка веса

Модуль 9. Обучение глубоких нейронных сетей

9.1. Градиентные задачи

9.1.1. Методы оптимизации градиента
9.1.2. Стохастические градиенты
9.1.3. Методы инициализации весов

9.2. Повторное использование предварительно обученных слоев

9.2.1. Перенос результатов обучения
9.2.2. Извлечение признаков
9.2.3. Глубокое обучение

9.3. Оптимизаторы

9.3.1. Стохастические оптимизаторы градиентного спуска
9.3.2. Оптимизаторы Adam и RMSprop
9.3.3. Современные оптимизаторы

9.4. Программирование скорости обучения

9.4.1. Автоматическое управление скоростью обучения
9.4.2. Циклы обучения
9.4.3. Условия сглаживания

9.5. Переоценка

9.5.1. Перекрестная валидация
9.5.2. Регуляризация
9.5.3. Метрики оценки

9.6. Практические рекомендации

9.6.1. Конструкция модели
9.6.2. Выбор метрик и параметров оценки
9.6.3. Проверка гипотез

9.7. Трансферное обучение

9.7.1. Перенос результатов обучения
9.7.2. Извлечение признаков
9.7.3. Глубокое обучение

9.8. Расширение данных

9.8.1. Преобразования изображений
9.8.2. Формирование синтетических данных
9.8.3. Преобразование текста

9.9. Практическое применение трансферного обучения

9.9.1. Перенос результатов обучения
9.9.2. Извлечение признаков
9.9.3. Глубокое обучение

9.10. Регуляризация

9.10.1. L и L
9.10.2. Регуляризация по принципу максимальной энтропии
9.10.3. Dropout

Модуль 10. Настройка моделей и обучение с помощью TensorFlow

10.1. TensorFlow

10.1.1. Использование библиотеки TensorFlow
10.1.2. Обучение модели с помощью TensorFlow
10.1.3. Операции с графиками в TensorFlow

10.2. TensorFlow и NumPy

10.2.1. Вычислительная среда NumPy для TensorFlow
10.2.2. Использование массивов NumPy в TensorFlow
10.2.3. Операции NumPy для графиков TensorFlow

10.3. Настройка моделей и алгоритмов обучения

10.3.1. Построение пользовательских моделей с помощью TensorFlow
10.3.2. Управление параметрами обучения
10.3.3. Использование методов оптимизации для обучения

10.4. Функции и графики TensorFlow

10.4.1. Функции в TensorFlow
10.4.2. Использование графиков для обучения модели
10.4.3. Оптимизация графов с помощью операций TensorFlow

10.5. Загрузка и предварительная обработка данных с помощью TensorFlow

10.5.1. Загрузка наборов данных с помощью TensorFlow
10.5.2. Предварительная обработка данных с помощью TensorFlow
10.5.3. Использование инструментов TensorFlow для манипулирования данными

10.6. API tfdata

10.6.1. Использование API tf.data для обработки данных
10.6.2. Построение потоков данных с помощью tf.data
10.6.3. Использование API tf.data для обучения моделей

10.7. Формат TFRecord

10.7.1. Использование API TFRecord для сериализации данных
10.7.2. Загрузка файлов TFRecord с помощью TensorFlow
10.7.3. Использование файлов TFRecord для обучения моделей

10.8. Слои предварительной обработки в Keras

10.8.1. Использование API препроцессинга Keras
10.8.2. Построение pipelined предварительной обработки с помощью Keras
10.8.3. Использование API препроцессинга Keras для обучения моделей

10.9. Проект TensorFlow Datasets

10.9.1. Использование TensorFlow Datasets для загрузки данных
10.9.2. Предварительная обработка данных с помощью TensorFlow Datasets
10.9.3. Использование TensorFlow Datasets для обучения моделей

10.10. Построение приложения глубокого обучения с помощью TensorFlow

10.10.1. Практическое применение
10.10.2. Построение приложения глубокого обучения с помощью TensorFlow
10.10.3. Обучение модели с помощью TensorFlow
10.10.4. Использование приложения для прогнозирования результатов

Модуль 11. Глубокое компьютерное зрение с использованием конволюционных нейронных сетей

11.1. Архитектура Visual Cortex

11.1.1. Функции зрительной коры
11.1.2. Теории вычислительного зрения
11.1.3. Модели обработки изображений

11.2. Конволюционные слои

11.2.1. Повторное использование весов в свертке
11.2.2. Конволюция D
11.2.3. Функции активации

11.3. Слои кластеризации и реализация слоев кластеризации с помощью Keras

11.3.1. Пулинг и стридинг
11.3.2. Сплющивание
11.3.3. Виды пулинга

11.4. Архитектуры CNN

11.4.1. Архитектура VGG
11.4.2. Архитектура AlexNet
11.4.3. Архитектура ResNet

11.5. Реализация CNN ResNet - с использованием Keras

11.5.1. Инициализация весов
11.5.2. Определение входного слоя
11.5.3. Определение выходного слоя

11.6. Использование предварительно обученных моделей Keras

11.6.1. Характеристики предварительно обученных моделей
11.6.2. Использование предварительно обученных моделей
11.6.3. Преимущества предварительно обученных моделей

11.7. Предварительно обученные модели для трансферного обучения

11.7.1. Трансферное обучение
11.7.2. Процесс трансферного обучения
11.7.3. Преимущества трансферного обучения

11.8. Классификация и локализация в глубоком компьютерном зрении

11.8.1. Классификация изображений
11.8.2. Определение местоположения объектов на изображениях
11.8.3. Обнаружение объектов

11.9. Обнаружение объектов и их отслеживание

11.9.1. Методы обнаружения объектов
11.9.2. Алгоритмы отслеживания объектов
11.9.3. Методы отслеживания и трассировки

11.10. Семантическая сегментация

11.10.1. Глубокое обучение для семантической сегментации
11.10.2. Обнаружение краев
11.10.3. Методы сегментации, основанные на правилах

Модуль 12. Обработка естественного языка (NLP) с помощью естественных рекуррентных сетей (NNN) и внимания

12.1. Генерация текста с использованием RNN

12.1.1. Обучение RNN для генерации текста
12.1.2. Генерация естественного языка с помощью RNN
12.1.3. Приложения для генерации текста с помощью RNN

12.2. Создание обучающего набора данных

12.2.1. Подготовка данных для обучения RNN
12.2.2. Хранение обучающего набора данных
12.2.3. Очистка и преобразование данных
12.2.4. Анализ настроений

12.3. Ранжирование мнений с помощью RNN

12.3.1. Выявление тем в комментариях
12.3.2. Анализ настроений с помощью алгоритмов глубокого обучения

12.4. Сеть кодирования-декодирования для нейронного машинного перевода

12.4.1. Обучение RNN для машинного перевода
12.4.2. Использование кодирующей-декодирующей сети для машинного перевода
12.4.3. Повышение точности машинного перевода с помощью RNN

12.5. Механизмы внимания

12.5.1. Реализация механизмов внимания в RNN
12.5.2. Использование механизмов внимания для повышения точности модели
12.5.3. Преимущества механизмов внимания в нейронных сетях

12.6. Модели трансформеров

12.6.1. Использование моделей трансформеров для обработки естественного языка
12.6.2. Применение моделей трансформеров для зрения
12.6.3. Преимущества моделей трансформеров

12.7. Трансформеры для видения

12.7.1. Применение моделей трансформеров для зрения
12.7.2. Предварительная обработка данных изображений
12.7.3. Обучение модели трансформеров для зрения

12.8. Библиотека трансформеров Hugging Face

12.8.1. Использование библиотеки трансформеров Hugging Face
12.8.2. Применение библиотеки трансформеров Hugging Face
12.8.3. Преимущества библиотеки трансформеров Hugging Face

12.9. Другие библиотеки трансформеров. Сравнение

12.9.1. Сравнение различных библиотек трансформеров
12.9.2. Использование других библиотек трансформеров
12.9.3. Преимущества других библиотек трансформеров

12.10. Разработка NLP-приложения с использованием RNN и внимания. Практическое применение

12.10.1. Разработка приложения для обработки естественного языка с использованием RNN и внимания
12.10.2. Использование RNN, механизмов ухода и моделей трансформеров при внедрении
12.10.3. Оценка практического применения

Модуль 13. Автоэнкодеры, GAN и диффузионные модели

13.1. Эффективные представления данных

13.1.1. Снижение размерности
13.1.2. Глубокое обучение
13.1.3. Компактные представления

13.2. Реализация РСА с неполным линейным автоматическим кодировщиком

13.2.1. Процесс обучения
13.2.2. Внедрение Python
13.2.3. Использование тестовых данных

13.3. Стековые автоматические кодировщики

13.3.1. Глубокие нейронные сети
13.3.2. Построение архитектур кодирования
13.3.3. Использование инструментов

13.4. Конволюционные автокодировщики

13.4.1. Конструкция конволюционной модели
13.4.2. Обучение конволюционной модели
13.4.3. Оценка результатов

13.5. Шумоподавление автоматических энкодеров

13.5.1. Применение фильтров
13.5.2. Проектирование моделей кодирования
13.5.3. Использование методов регуляризации

13.6. Автоматические разреженные автоматические энкодеры

13.6.1. Повышение эффективности кодирования
13.6.2. Минимизация числа параметров
13.6.3. Применение методов регуляризации

13.7. Автоматические вариационные энкодеры

13.7.1. Использование вариационной оптимизации
13.7.2. Глубокое обучение без контроля
13.7.3. Глубокие латентные представления

13.8. Генерация модных изображений MNIST

13.8.1. Распознание паттернов
13.8.2. Генерация изображений
13.8.3. Обучение глубоких нейронных сетей

13.9. Генеративные адверсарные сети и диффузионные модели

13.9.1. Формирование контента из изображений
13.9.2. Моделирование распределений данных
13.9.3. Использование состязательных сетей

13.10. Реализация моделей

13.10.1. Практическое применение
13.10.2. Реализация моделей
13.10.3. Использование реальных данных
13.10.4. Оценка результатов

Модуль 14. Биоинспирированные алгоритмы

14.1. Введение в биоинспирированные алгоритмы

14.1.1. Введение в биоинспирированные алгоритмы

14.2. Алгоритмы социальной адаптации

14.2.1. Биоинспирированные алгоритмы, основанные на муравьиных колониях
14.2.2. Разновидности алгоритмов муравьиных колоний
14.2.3. Алгоритмы, основанные на облаках с частицами

14.3. Генетические алгоритмы

14.3.1. Общая структура
14.3.2. Внедрение основных операторов

14.4. Стратегии освоения и использования пространства для генетических алгоритмов

14.4.1. Алгоритм CHC
14.4.2. Мультимодальные задачи

14.5. Модели эволюционных вычислений (I)

14.5.1. Эволюционные стратегии
14.5.2. Эволюционное программирование
14.5.3. Алгоритмы, основанные на дифференциальной эволюции

14.6. Модели эволюционных вычислений (II)

14.6.1. Модели эволюции, основанные на оценке алгоритмов распределения (EDA)
14.6.2. Генетическое программирование

14.7. Применение эволюционного программирования при нарушениях обучаемости

14.7.1. Обучение на основе правил
14.7.2. Эволюционные методы в задачах выбора экземпляра

14.8. Многоцелевые задачи

14.8.1. Концепция доминирования
14.8.2. Применение эволюционных алгоритмов для решения многоцелевых задач

14.9. Нейронные сети (I)

14.9.1. Введение в нейронные сети
14.9.2. Практический пример с нейронными сетями

14.10. Нейронные сети (II)

14.10.1. Примеры использования нейронных сетей в медицинских исследованиях
14.10.2. Примеры использования нейронных сетей в экономике
14.10.3. Примеры использования нейронных сетей в искусственном зрении

Модуль 15. Искусственный интеллект: стратегии и применения

15.1. Финансовые услуги

15.1.1. Последствия применения искусственного интеллекта (ИИ) в сфере финансовых услуг: возможности и проблемы
15.1.2. Примеры использования
15.1.3. Потенциальные риски, связанные с использованием ИИ
15.1.4. Потенциальные будущие разработки/использования ИИ

15.2. Последствия применения искусственного интеллекта в здравоохранении

15.2.1. Последствия ИИ в секторе здравоохранения. Возможности и проблемы
15.2.2. Примеры использования

15.3. Риски, связанные с использованием ИИ в здравоохранении

15.3.1. Потенциальные риски, связанные с использованием ИИ
15.3.2. Потенциальные будущие разработки/использования ИИ

15.4. Розничная торговля

15.4.1. Последствия ИИ в розничной торговле. Возможности и проблемы
15.4.2. Примеры использования
15.4.3. Потенциальные риски, связанные с использованием ИИ
15.4.4. Потенциальные будущие разработки/использования ИИ

15.5. Промышленность

15.5.1. Последствия ИИ для промышленности. Возможности и проблемы
15.5.2. Примеры использования

15.6. Потенциальные риски, связанные с использованием ИИ в промышленности

15.6.1. Примеры использования
15.6.2. Потенциальные риски, связанные с использованием ИИ
15.6.3. Потенциальные будущие разработки/использования ИИ

15.7. Государственное управление

15.7.1. Последствия использования искусственного интеллекта в государственном управлении. Возможности и проблемы
15.7.2. Примеры использования
15.7.3. Потенциальные риски, связанные с использованием ИИ
15.7.4. Потенциальные будущие разработки/использования ИИ

15.8. Образовательная сфера

15.8.1. Последствия использования искусственного интеллекта в образовании. Возможности и проблемы
15.8.2. Примеры использования
15.8.3. Потенциальные риски, связанные с использованием ИИ
15.8.4. Потенциальные будущие разработки/использования ИИ

15.9. Лесное и сельское хозяйство

15.9.1. Последствия ИИ для лесного и сельского хозяйства. Возможности и проблемы
15.9.2. Примеры использования
15.9.3. Потенциальные риски, связанные с использованием ИИ
15.9.4. Потенциальные будущие разработки/использования ИИ

15.10. Кадровые ресурсы

15.10.1. Последствия ИИ для кадровых ресурсов. Возможности и проблемы
15.10.2. Примеры использования
15.10.3. Потенциальные риски, связанные с использованием ИИ
15.10.4. Потенциальные будущие разработки/использования ИИ

Позиционируйте себя на рынке труда с помощью 100% онлайн-программы, которая адаптируется к вашим потребностям и позволяет погрузиться в процесс обучения"