Курс Введение в искусственный интеллект GeekSchool

1 модуль: Основы программирования на языке Python Урок 1: Работа с данными и математическими операциями в Python Python — главный инструмент дата-сайентиста: на нём пишут алгоритмы машинного обучения. Учимся управлять данными и решать уравнения на Python. Устанавливаем программы для прохождения курса Управляем вводом и выводом данных в первой программе по Python Урок 2: Основные конструкции языка Python Создаём алгоритмы и осваиваем основные компоненты компьютерной программы. Изучаем условия if, elif, else Изучаем циклы for, while Тренируемся программировать на Python и создаём программу с базовыми алгоритмами Урок 3: Структуры данных в Python Изучаем принципы работы с данными. Узнаём, как работают данные, списки, словари и файлы Знакомимся с датасетом — набором данных. Учимся его обрабатывать с помощью простейших операций Занимаемся вводом и выводом данных Урок 4: Функции в Python Изучаем, как работать с функциями. Узнаём, как создавать функции и передавать параметры Изучаем глобальные и локальные переменные Добавляем полезные функции к датасету из третьего урока 2 модуль: Numpy и Pandas — инструменты, которые помогают получать данные Урок 5: Pandas. Установка. Учимся работать с данными и таблицами Изучаем Pandas — программную библиотеку на Python для обработки и анализа данных.  Получаем датасет с числовыми метриками Устанавливаем Pandas, изучаем базовые команды и учимся работать с таблицами Обрабатываем датасет с помощью Pandas: загружаем и выгружаем данные Урок 6: Pandas. Основные функции После того, как мы загрузили датасет, начинаем осваивать базовые функции. Узнаём, как работают различные функции Pandas: подсчет, создание категорий выборок датасета и др Учимся применять функции из предыдущего урока на нашем датасете Урок 7: Numpy: улучшение математического аппарата Изучаем основы линейной алгебры и знакомимся с видами машинного обучения. Узнаём потенциал Numpy для работы с машинным обучением Тренируемся работать с операциями высшей математики с помощью библиотеку Numpy Урок 8: Numpy: машинное обучение без учителя Узнаём, что такое обучение без учителя. Строим классическую модель обучения без учителя в Numpy Строим первую модель предсказания в библиотеке Numpy 3 модуль: Работа с машинным обучением Урок 9: Обучение с учителем. Ближайшие соседи Изучаем основы для создания нейронных сетей — они помогают переводить текст, создавать голосовых помощников, распознавать лица и музыку. Осваиваем базовые принципы машинного обучения  Придумываем и реализовываем простой алгоритм Возьмём классификатор на датасете Урок 10: Градиентный спуск Знакомимся с методом градиентного спуска, чтобы оценивать качество работы нейронной сети. Оцениваем качество алгоритма машинного обучения, функция ошибки Узнаём, как производные и градиентный спуск помогают уменьшать ошибки алгоритма Закрепляем метод градиентного спуска для переменных Урок 11: Линейная регрессия Прогнозируем значение переменных по заранее известным данным.  Определяем задачи регрессии, чтобы прогнозировать стоимость домов Наглядно визуализируем данные с помощью матрицы корреляций Учимся измерять качество регрессии, чтобы проверить наши предположения Применяем метод градиентного спуска, чтобы найти минимум средней квадратической ошибки Урок 12: Логистическая регрессия Прогнозируем результаты с помощью логистических функций. Узнаём, что такое логистическая функция,  какие у нее свойства и преимущества Применяем метод градиентного спуска для логистической регрессии, чтобы определять стоимость домов Урок 13: Работаем с базовой нейронной сетью Узнаём о преимуществах и недостатках нейронных сетей. Сравниваем устройство нейронных сетей с нервной системой человека Разбираем готовую нейронную сеть, выбираем количество слоёв и нейронов Запускаем нейронную сеть, чтобы распознавать рукописные цифры Презентация проектов Урок 14: Выпускной урок Настраиваем нейронную сеть и подводим итоги. Узнаём, как оптимизировать нейронные сети Соревнуемся: строим свою нейронную сеть Подводим итоги курса