Скачать [Geekbrains] Введение в искусственный интеллект [Светлана Шорина, Дмитрий Санников, Илья Акчурин]

[Kail]

Ссылка на картинку

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