ИИ в образовании способствует адаптивному и ориентированному на ученика обучению, создавая более эффективную и насыщенную учебную среду. Поступайте сейчас!"

Применение искусственного интеллекта (ИИ) в образовании стало бесценным инструментом, революционизирующим способы получения знаний учащимися и управления учебным процессом. Персонализация обучения стала более доступной благодаря интеллектуальным алгоритмам, адаптирующим образовательный контент в соответствии с индивидуальными потребностями. Это не только повышает эффективность, но и учитывает различия в темпе и стиле обучения. 

По этой причине TECH разработал данную Специализированную магистратуру "Искусственный интеллект в образовании", в которой рассматриваются не только технические аспекты искусственного интеллекта, но и связанные с ним этические, правовые и социальные аспекты. Кроме того, практическая направленность на разработку проектов ИИ в классе позволит преподавателям получить практические навыки для их эффективного внедрения в образовательную среду. 

Студенты также будут изучать практику преподавания с использованием генеративного ИИ, уделяя особое внимание персонализации обучения и непрерывному совершенствованию — ключевым аспектам адаптивности образовательного процесса. Наконец, будут обсуждаться новые тенденции в области ИИ для образования, что позволит студентам быть в курсе последних инноваций в сфере образовательных технологий. 

Таким образом, программа обеспечит сбалансированное сочетание технических знаний, практических навыков и этических и рефлексивных взглядов, позиционируя себя в качестве лидера в подготовке специалистов, способных решать проблемы и использовать возможности ИИ в образовании. 

Таким образом, TECH разработал комплексную программу квалификации, основанную на методологии Relearning. Эта форма обучения сосредоточена на повторении основных понятий для обеспечения их оптимального усвоения Доступность также является ключевым фактором, поскольку для доступа к материалам в любое время потребуется только электронное устройство с подключением к Интернету, что избавляет от необходимости лично присутствовать на занятиях или придерживаться заранее установленного расписания.

ИИ обеспечивает мгновенную обратную связь, позволяя учителям выявлять области, требующие улучшения, и оказывать индивидуальную поддержку" 

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

• Разбор практических кейсов, представленных экспертами в области искусственного интеллекта в образовании 
• Наглядное, схематичное и исключительно практическое содержание курса предоставляет теоретическую и практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности 
• 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 будете руководить проектами по искусственному интеллекту в классе, начиная с программирования с помощью машинного обучения и заканчивая его использованием в видеоиграх и робототехнике"

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. 

В рамках этой 100% онлайн-программы вы сможете интегрировать инструменты генеративного ИИ в планирование, реализацию и оценку образовательных мероприятий"

Вы освоите передовые технологии искусственного интеллекта, такие как дополненная/виртуальная реальность благодаря обширной библиотеке мультимедийных ресурсов"

Программа включает такие специальные модули, как "Этика и законодательство в области искусственного интеллекта в образовании" и "Практика преподавания с использованием генеративного искусственного интеллекта", демонстрируя свою приверженность принципам ответственности и персонализации обучения. 

В рамках программы рассматриваются вопросы подотчетности и персонализации обучения. Кроме того, изучение новых тенденций в области искусственного интеллекта в образовании позволит преподавателям быть готовыми к внедрению последних инноваций, от дополненной реальности (AR) до предиктивной аналитики, в свою педагогическую практику. Такое сочетание этических основ, практического применения и внедрения передовых технологий будет способствовать приобретению студентами специальных знаний и навыков, необходимых для развития их профессиональной карьеры. 

Данная Специализированная магистратура сочетает в себе технические аспекты искусственного интеллекта с практической направленностью на разработку образовательных проектов" 

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. Связанные данные 

1.7. Экспертные системы и DSS 

1.7.1. Экспертные системы 
1.7.2. Системы поддержки принятия решений 

1.8. Чат-боты 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. Интеграции: 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 

2.10.1. Закон о защите данных 
2.10.2. Передовая практика 
2.10.3. 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 
5.6.4. 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 разработке программного обеспечения 

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. Языки онтологий 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. Prolog: 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 Текстовый анализ 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 
8.3.4. 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 весов 

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 tfdata для обработки данных 
10.6.2. Построение потоков данных с помощью tfdata 
10.6.3. Использование API tfdata 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 предварительной обработки в Keras 
10.8.2. Построение pipelined предварительной обработки с помощью Keras 
10.8.3. Использование API предварительной обработки в 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 набора данных TensorFlow 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. Pooling и Striding 
11.3.2. Flattening 
11.3.3. Виды Pooling 

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 
11.10.1. Обнаружение краев 
11.10.1. 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 кодирующе-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 зрения 

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 трансформаторов 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 вычисления 

14.1. Введение в биоинспирированные вычисления 

14.1.1. Введение в биоинспирированные вычисления 

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 применение 

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 Человеческие 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 

Модуль 16. Анализ данных и применение методов ИИ для персонализации образования 

16.1. Идентификация, извлечение и подготовка образовательных данных 

16.1.1. Применение H2O.ai для сбора и отбора релевантных данных в образовательных средах
16.1.2. Методы очистки и стандартизации данных для анализа образования 
16.1.3. Важность целостности и качества данных в исследованиях в области образования 

16.2. Анализ и оценка образовательных данных с помощью ИИ для непрерывного улучшения работы в классе 

16.2.1. Применение TensorFlow для интерпретации образовательных тенденций и закономерностей с помощью методов машинного обучения
16.2.2. Оценка влияния педагогических стратегий с помощью анализа данных 
16.2.3. Применение Trinka для интеграции обратной связи на основе ИИ для оптимизации учебного процесса 

16.3. Определение показателей академической успеваемости на основе образовательных данных 

16.3.1. Установление ключевых показателей для оценки успеваемости студентов 
16.3.2. Сравнительный анализ показателей для выявления областей, требующих улучшения 
16.3.3. Корреляция между академическими показателями и внешними факторами с помощью ИИ 

16.4. Инструменты ИИ для мониторинга образования и принятия решений 

16.4.1. Системы поддержки принятия решений на основе tome.ai для работников администрации сферы образования 
16.4.2. Использование Trello для планирования и распределения образовательных ресурсов
16.4.3. Оптимизация образовательных процессов с помощью предиктивной аналитики и Orange Data Mining 

16.5. Технологии и алгоритмы ИИ для предиктивной аналитики данных об успеваемости 

16.5.1. Основы прогностического моделирования в образовании 
16.5.2. Использование алгоритмов классификации и регрессии для прогнозирования образовательных тенденций 
16.5.3. Примеры успешного прогнозирования в образовательных учреждениях 

16.6. Применение анализа данных с помощью ИИ для предотвращения и решения образовательных проблем 

16.6.1. Раннее выявление академических рисков с помощью предиктивной аналитики 
16.6.2. Стратегии вмешательства, основанные на данных, для решения образовательных проблем 
16.6.3. Оценка влияния решений DataRobot AI в образовании

16.7. Персонализированная диагностика трудностей в обучении на основе анализа данных ИИ 

16.7.1. Методы искусственного интеллекта для определения стилей и трудностей обучения с помощью IBM Watson Education 
16.7.2. Интеграция анализа данных в индивидуальные планы поддержки образования 
16.7.3. Кейс-стади диагностики с использованием ИИ 

16.8. Анализ данных и применение ИИ для выявления особых образовательных потребностей 

16.8.1. Подходы ИИ к проверке специальных образовательных потребностей с помощью Gooroo 
16.8.2. Персонализация стратегий обучения на основе анализа данных 
16.8.3. Оценка влияния ИИ на инклюзию в образовании 

16.9. Персонализация обучения с помощью ИИ на основе анализа данных об успеваемости 

16.9.1. Создание адаптивных путей обучения с помощью Smart Sparrow 
16.9.2. Внедрение рекомендательных систем для образовательных ресурсов 
16.9.3. Измерение индивидуального прогресса и корректировка в режиме реального времени с помощью Squirrel AI Learning 

16.10. Безопасность и конфиденциальность при обработке образовательных данных 

16.10.1. Этические и правовые принципы управления образовательными данными 
16.10.2. Методы защиты данных и конфиденциальности для образовательных систем с помощью Google Cloud Security 
16.10.3. Кейс-стади нарушений безопасности и их влияния на образование 

Модуль 17. Разработка проектов по искусственному интеллекту в классе 

17.1. Планирование и разработка проектов ИИ в образовании с Algor Education

17.1.1. Первые шаги в планировании проекта 
17.1.2. Базы знаний 
17.1.3. Разработка проектов ИИ в образовании 

17.2. Инструменты для разработки образовательных проектов с использованием ИИ 

17.2.1. Инструменты для разработки образовательных проектов: TensorFlow Playground
17.2.2. Инструменты для образовательных проектов по истории 
17.2.3. Инструменты для образовательных проектов по математике; Wolfram Alpha
17.2.4. Инструменты для образовательных проектов по английскому языку: Grammarly

17.3. Стратегии реализации проектов ИИ в классе 

17.3.1. Когда следует реализовывать ИИ-проект 
17.3.2. Зачем реализовывать ИИ-проект 
17.3.3. Стратегии, которые необходимо реализовать 

17.4. Интеграция проектов ИИ в конкретные предметы 

17.4.1. Математика и ИИ: Thinkster math
17.4.2. История и ИИ 
17.4.3. Языки и ИИ: Deep L
17.4.4. Другие предметы: Watson Studio

17.5. Проект 1: Разработка образовательных проектов с использованием машинного обучения с помощью Khan Academy

17.5.1. Первые шаги 
17.5.2. Выполнение требований 
17.5.3. Используемые инструменты 
17.5.4. Определение проекта 

17.6. Проект 2: Интеграция ИИ в разработку образовательных игр 

17.6.1. Первые шаги 
17.6.2. Выполнение требований 
17.6.3. Используемые инструменты 
17.6.4. Определение проекта 

17.7. Проект 3: Разработка образовательных чат-ботов для помощи учащимся 

17.7.1. Первые шаги 
17.7.2. Выполнение требований 
17.7.3. Используемые инструменты 
17.7.4. Определение проекта 

17.8. Проект 4: Интеграция интеллектуальных агентов в образовательные платформы с помощью Knewton

17.8.1. Первые шаги 
17.8.2. Выполнение требований 
17.8.3. Используемые инструменты 
17.8.4. Определение проекта 

17.9. Оценка и измерение влияния проектов ИИ в образовании с помощью Qualtrics

17.9.1. Преимущества работы с ИИ в классе 
17.9.2. Фактические данные 
17.9.3. ИИ в классе 
17.9.4. Статистика по ИИ в образовании 

17.10. Анализ и постоянное совершенствование проектов ИИ в образовании с помощью Edmodo Insights

17.10.1. Текущие проекты 
17.10.2. Реализация 
17.10.3. Что ждет нас в будущем 
17.10.4. Трансформация платформы Aulas 360 

Модуль 18. Практика преподавания с использованием генеративного искусственного интеллекта 

18.1. Генеративные технологии ИИ для использования в образовании 

18.1.1. Текущий рынок: Artbreeder, Runway ML и DeepDream Generator
18.1.2. Используемые технологии 
18.1.3. Что будет дальше 
18.1.4. Будущее классной комнаты 

18.2. Применение инструментов генеративного ИИ в планировании образования 

18.2.1. Инструменты планирования: Altitude Learning
18.2.2. Инструменты и их применение 
18.2.3. Образование и ИИ 
18.2.4. Развитие 

18.3. Создание учебных материалов с помощью генеративного ИИ с использованием Story Ai, Pix2PIx и NeouralTalk2

18.3.1. ИКТ и их использование в классе 
18.3.2. Инструменты для создания учебных материалов 
18.3.3. Как работать с инструментами 
18.3.4. Команды 

18.4. Разработка оценочных тестов с использованием генеративного ИИ с помощью Quizgecko

18.4.1. ИИ и его использование при разработке оценочных тестов 
18.4.2. Инструменты для разработки оценочных тестов 
18.4.3. Как работать с инструментами 
18.4.4. Команды 

18.5. Улучшение обратной связи и коммуникации с помощью генеративного ИИ 

18.5.1. ИИ в коммуникации 
18.5.2. Применение инструментов для развития коммуникации в классе 
18.5.3. Преимущества и недостатки 

18.6. Корректировка деятельности и оценочных тестов с использованием генеративного ИИ с помощью Gradescope AI

18.6.1. ИИ и его использование для маркировки оценочных заданий и тестов 
18.6.2. Инструменты для маркировки оценочных работ и тестов 
18.6.3. Как работать с инструментами 
18.6.4. Команды 

18.7. Создание опросников для оценки качества преподавания с помощью генеративного ИИ 

18.7.1. ИИ и его использование для создания опросников по оценке качества преподавания на основе ИИ 
18.7.2. Инструменты для создания опросников по оценке качества преподавания на основе ИИ 
18.7.3. Как работать с инструментами 
18.7.4. Команды 

18.8. Интеграция генеративных инструментов ИИ в педагогические стратегии 

18.8.1. Применение ИИ в педагогических стратегиях 
18.8.2. Правильное использование 
18.8.3. Преимущества и недостатки 
18.8.4. Генеративные инструменты ИИ в педагогических стратегиях: Gans

18.9. Использование генеративного ИИ для универсального дизайна обучения 

18.9.1. Генеративный ИИ, почему сейчас 
18.9.2. ИИ в обучении 
18.9.3. Преимущества и недостатки 
18.9.4. Применение ИИ в обучении 

18.10. Оценка эффективности генеративного ИИ в образовании 

18.10.1. Данные об эффективности 
18.10.2. Проекты 
18.10.3. Цели разработки 
18.10.4. Оценка эффективности ИИ в образовании 

Модуль 19. Инновации и новые тенденции в области ИИ для образования 

19.1. Новые инструменты и технологии ИИ для образования 

19.1.1. Устаревшие инструменты ИИ 
19.1.2. Современные инструменты: ClassDojo и Seesaw
19.1.3. Инструменты будущего 

19.2. Дополненная и виртуальная реальность в образовании 

19.2.1. Инструменты дополненной реальности 
19.2.2. Инструменты виртуальной реальности 
19.2.3. Применение инструментов и их использование 
19.2.4. Преимущества и недостатки 

19.3. Разговорный ИИ для поддержки образования и интерактивного обучения с помощью Wysdom AI и SnatchBot

19.3.1. Разговорный ИИ, почему именно сейчас 
19.3.2. ИИ в обучении 
19.3.3. Преимущества и недостатки 
19.3.4. Применение ИИ в обучении 

19.4. Применение ИИ для улучшения удержания знаний 

19.4.1. ИИ как вспомогательный инструмент 
19.4.2. Руководящие принципы 
19.4.3. Эффективность ИИ в сохранении знаний 
19.4.4. ИИ и вспомогательные инструменты 

19.5. Технологии распознавания лиц и эмоций для мониторинга вовлеченности и благополучия учащихся 

19.5.1. Технологии распознавания лиц и эмоций на современном рынке 
19.5.2. Использование 
19.5.3. Области применения 
19.5.4. Предел погрешности 
19.5.5. Преимущества и недостатки 

19.6. Блокчейн и ИИ в образовании изменят управление образованием и сертификацию 

19.6.1. Что такое блокчейн 
19.6.2. Блокчейн и его применения 
19.6.3. Блокчейн как преобразующий элемент 
19.6.4. Управление образованием и блокчейн 

19.7. Новые инструменты ИИ для повышения эффективности обучения с помощью Squirrel AI Learning

19.7.1. Текущие проекты 
19.7.2. Реализация 
19.7.3. Что ждет нас в будущем 
19.7.4. Трансформация платформы Aulas 360 

19.8. Стратегии разработки пилотных проектов с использованием новых ИИ 

19.8.1. Преимущества и недостатки 
19.8.2. Стратегии, которые необходимо разработать 
19.8.3. Ключевые моменты 
19.8.4. Пилотные проекты 

19.9. Анализ успешных примеров инноваций в области ИИ 

19.9.1. Инновационные проекты 
19.9.2. Применение ИИ и его преимущества 
19.9.3. ИИ в учебном процессе, истории успеха 

19.10. Будущее ИИ в образовании 

19.10.1. История ИИ в образовании 
19.10.2. Куда движется ИИ в классе 
19.10.3. Будущие проекты 

Модуль 20. Этика и законодательство в области искусственного интеллекта в образовании 

20.1. Выявление и этическое обращение с конфиденциальными данными в образовательном контексте 

20.1.1. Принципы и практика этичного обращения с конфиденциальными данными в образовании 
20.1.2. Проблемы, связанные с защитой конфиденциальности данных учащихся 
20.1.3. Стратегии обеспечения прозрачности и информированного согласия при сборе данных 

20.2. Социальное и культурное влияние ИИ в образовании 

20.2.1. Анализ влияния ИИ на социальную и культурную динамику в образовательной среде 
20.2.2. Изучение того, как Microsoft AI for Accessibility может увековечить или смягчить социальные предубеждения и неравенство 
20.2.3. Оценка социальной ответственности разработчиков и преподавателей при внедрении ИИ 

20.3. Законодательство и политика в области данных об ИИ в образовательных учреждениях 

20.3.1. Обзор действующих законов и нормативных актов, касающихся данных и конфиденциальности, применимых к ИИ в образовании 
20.3.2. Влияние политики в области данных на образовательную практику и технологические инновации 
20.3.3. Разработка институциональной политики этичного использования ИИ в образовании с помощью AI Ethics Lab 

20.4. Оценка этического воздействия ИИ 

20.4.1. Методы оценки этических последствий применения ИИ в образовании 
20.4.2. Проблемы измерения социального и этического воздействия ИИ 
20.4.3. Создание этических рамок для руководства разработкой и использованием ИИ в образовании 

20.5. Проблемы и возможности ИИ в образовании 

20.5.1. Определение основных этических и правовых проблем при использовании ИИ в образовании 
20.5.2. Изучение возможностей повышения эффективности преподавания и обучения с помощью искусственного интеллекта Squirrel AI Learning 
20.5.3. Баланс между технологическими инновациями и этическими соображениями в образовании 

20.6. Этическое применение решений ИИ в образовательной среде 

20.6.1. Принципы этичного проектирования и внедрения решений ИИ в образовании 
20.6.2. Кейс-стади этического применения ИИ в различных образовательных контекстах 
20.6.3. Стратегии привлечения всех заинтересованных сторон к принятию этических решений в области ИИ 

20.7. ИИ, культурное разнообразие и гендерное равенство 

20.7.1. Анализ влияния ИИ на поощрение культурного разнообразия и гендерного равенства в образовании 
20.7.2. Стратегии разработки инклюзивных и учитывающих многообразие систем ИИ с помощью Teachable Machine by Google 
20.7.3. Оценка того, как ИИ может повлиять на представительство и отношение к различным культурным и гендерным группам 

20.8. Этические соображения при использовании средств ИИ в образовании 

20.8.1. Этические рекомендации по разработке и использованию средств ИИ в классе 
20.8.2. Обсуждение баланса между автоматизацией и человеческим вмешательством в образование 
20.8.3. Анализ случаев, когда использование ИИ в образовании вызывало серьезные этические проблемы 

20.9. Влияние ИИ на доступность образования 

20.9.1. Изучение того, как ИИ может повысить или ограничить доступность образования 
20.9.2. Анализ ИИ-решений, направленных на расширение инклюзивности и доступа к образованию для всех с помощью Google Read Along 
20.9.3. Этические проблемы при внедрении технологий ИИ для повышения доступности 

20.10. Глобальные кейс-стади в области ИИ и образования 

20.10.1. Анализ международных кейс-стади по использованию ИИ в образовании 
20.10.2. Сравнение этических и правовых подходов в различных образовательных культурных контекстах 
20.10.3. Извлеченные уроки и лучшие практики из глобальных примеров использования ИИ в образовании 

Вы погрузитесь во всеобъемлющую и передовую программу, уникальную с точки зрения создания высококвалифицированных специалистов для решения задач, стоящих перед образовательным ландшафтом, управляемым искусственным интеллектом"