Введение в искусственный интеллект с использованием Python и TensorFlow
Исследуем мир машинного обучения и искусственного интеллекта, погружаясь в применение библиотеки TensorFlow на языке Python
Возраст:
12 -16 лет
Продолжительность курса:
32-36 занятий по 45 минут
Уровень:
Продвинутый
Сомневаетесь, будет ли интересно вашему ребенку?
Попробуйте бесплатное занятие с наставником. А решите потом!
Попробуйте бесплатное занятие с наставником. А решите потом!
Что будет?
- Применяем полученные навыки программирования: Создаем более сложные скрипты, используя язык программирования Python
- Погружаемся в мир машинного обучения: Разрабатываем понимание основ машинного обучения и применяем их на практике.
Что будет результатом всего курса?
- Создание моделей:
Ребенок научится создавать модели для распознавания объектов и обработки изображений - Применение искусственного интеллекта:
Разберется, как применять искусственный интеллект для решения различных задач. - Проект по машинному обучению: Реализует свой собственный проект, применив полученные умения на практике
❷
Как занимаемся?
от 1 встречи в неделю
2 урока по 45 минут = 1 встреча
с переменой в 5 минут
Программа курса
Введение в искусственный интеллект с использованием Python и TensorFlow
Установка и структура
Введение в искусственный интеллект и машинное обучение. Установка TensorFlow и настройка среды.
Написание простого скрипта на Python с использованием TensorFlow.
—
Основы языка Python и работа с данными
Написание скрипта на Python для обработки и анализа данных
—
Обработка изображений с использованием сверточных нейронных сетей (CNN)
Введение в сверточные нейронные сети (CNN).
Написание CNN для классификации изображений (набор данных CIFAR-10)
—
Работа с текстовыми данными с использованием рекуррентных нейронных сетей (RNN)
Введение в рекуррентные нейронные сети (RNN).
Предобработка текстовых данных: токенизация, приведение к нижнему регистру.
Написание RNN для классификации текстовых данных.
—
Обучение без учителя: кластеризация и метод главных компонент (PCA)
Работа с метками (label)
Введение в методы обучения без учителя.
Применение K-средних для кластеризации данных
—
Обучение с учителем: метод опорных векторов (SVM) и деревья решений
Метод опорных векторов (SVM) для задач классификации.
Реализация SVM для классификации данных
—
Основы обработки естественного языка (NLP)
Введение в обработку естественного языка (NLP)
Использование библиотеки NLTK для обработки текстов.
Простая аналитика текстовых данных.
Установка и структура
Введение в искусственный интеллект и машинное обучение. Установка TensorFlow и настройка среды.
Написание простого скрипта на Python с использованием TensorFlow.
—
Основы языка Python и работа с данными
Написание скрипта на Python для обработки и анализа данных
—
Обработка изображений с использованием сверточных нейронных сетей (CNN)
Введение в сверточные нейронные сети (CNN).
Написание CNN для классификации изображений (набор данных CIFAR-10)
—
Работа с текстовыми данными с использованием рекуррентных нейронных сетей (RNN)
Введение в рекуррентные нейронные сети (RNN).
Предобработка текстовых данных: токенизация, приведение к нижнему регистру.
Написание RNN для классификации текстовых данных.
—
Обучение без учителя: кластеризация и метод главных компонент (PCA)
Работа с метками (label)
Введение в методы обучения без учителя.
Применение K-средних для кластеризации данных
—
Обучение с учителем: метод опорных векторов (SVM) и деревья решений
Метод опорных векторов (SVM) для задач классификации.
Реализация SVM для классификации данных
—
Основы обработки естественного языка (NLP)
Введение в обработку естественного языка (NLP)
Использование библиотеки NLTK для обработки текстов.
Простая аналитика текстовых данных.
Создание модели для классификации звуковых образов
Создание простой архитектуры нейронной сети для классификации звуковых образов.
—
Распознавание объектов на изображениях (Transfer Learning)
Понятие Transfer Learning в машинном обучении. Использование предварительно обученных моделей для распознавания объектов.
—
Основы генерации текста с использованием рекуррентных нейронных сетей (RNN).
Написание скрипта на Python для генерации текста с использованием RNN.
—
Обучение с подкреплением (Reinforcement Learning)
Введение в обучение с подкреплением. Основные понятия: агент, среда, награда, стратегия.
—
Генеративные состязательные сети (Generative Adversarial Networks - GANs)
Написание скрипта на Python для создания простой GAN модели.
Генерация изображений с использованием GANs.
—
Продвинутые методы обработки естественного языка (NLP)
Использование предварительно обученных моделей для анализа текста.
—
Автоматическое извлечение признаков (Feature Engineering)
Применение методов Feature Engineering к реальным данным.
—
Автоэнкодеры (Autoencoders)
Применение автоэнкодеров к задаче снижения размерности данных.
—
Проект по машинному обучению
Обзор всех изученных тем и методов. Создание финального проекта.
Создание простой архитектуры нейронной сети для классификации звуковых образов.
—
Распознавание объектов на изображениях (Transfer Learning)
Понятие Transfer Learning в машинном обучении. Использование предварительно обученных моделей для распознавания объектов.
—
Основы генерации текста с использованием рекуррентных нейронных сетей (RNN).
Написание скрипта на Python для генерации текста с использованием RNN.
—
Обучение с подкреплением (Reinforcement Learning)
Введение в обучение с подкреплением. Основные понятия: агент, среда, награда, стратегия.
—
Генеративные состязательные сети (Generative Adversarial Networks - GANs)
Написание скрипта на Python для создания простой GAN модели.
Генерация изображений с использованием GANs.
—
Продвинутые методы обработки естественного языка (NLP)
Использование предварительно обученных моделей для анализа текста.
—
Автоматическое извлечение признаков (Feature Engineering)
Применение методов Feature Engineering к реальным данным.
—
Автоэнкодеры (Autoencoders)
Применение автоэнкодеров к задаче снижения размерности данных.
—
Проект по машинному обучению
Обзор всех изученных тем и методов. Создание финального проекта.