Образовательная программа «Архитектура и разметка данных для систем ИИ» направлена на развитие и углубление знаний и навыков в области архитектуры данных и методов их разметки для построения эффективных систем искусственного интеллекта. В рамках программы участники изучат основные принципы построения архитектуры данных для систем ИИ, а также методы обработки и трансформации данных для обеспечения качественного обучения моделей машинного обучения.

Входные требования к слушателям:

• среднее профессиональное или высшее образование;

• знание основ синтаксиса языка программирования Python;

• рекомендованы базовые знания математики и английского языка.

Результаты обучения:

• формировать требования к решению задач с использованием систем ИИ;

• осуществлять сбор, обработку и анализ данных с помощью языка программирования Python;

• осуществлять подготовку и аннотирование данных для машинного обучения;

• разрабатывать модели машинного обучения в зависимости от решаемой задачи, а также осуществлять оценку качества моделей;

• извлекать любые данные из СУБД и конструировать метрики с помощью языка SQL;

• делать выводы и интерпретировать полученные результаты на языке предметной области.

Образовательная программа «Анализ данных и машинное обучение» направлена на развитие и углубление способностей и навыков в области анализа данных, проведения аналитической работы и прогнозирования с применением технологий анализа данных, формирование системных знаний и компетенций, необходимых для профессиональной деятельности с применением технологий Big Data.

Входные требования к слушателям:

− среднее профессиональное или высшее образование;

−  знание основ синтаксиса языка программирования (на выбор: С++, Java, Python и т. п.);

−   рекомендованы базовые знания математики;

−   рекомендовано знание английского языка

Результаты обучения:

• формировать требования к решению задач с использованием систем искусственного интеллекта. 

• осуществлять сбор, обработку и анализ данных с помощью языка программирования Python

• осуществлять подготовку структурированных и неструктурированных данных для машинного обучения

• разрабатывать модели машинного обучения в зависимости от решаемой задачи, а также осуществлять оценку качества моделей;

• делать выводы и интерпретировать полученные результаты на языке предметной области