Python: от основ до машинного обучения
Комфортный режим обучения: теория в онлайн-курсе и интерактивные вебинары. Возможность обучению из любого места и в любое время. Гибкие форматы практики
Язык Python в современном мире заслуженно получил широкое распространение благодаря таким качествам, как низкий порог вхождения, кросс-платформенность, богатый набор библиотек для решения практических задач, поддержка лидерами ИТ-индустрии и компаниями-производителями профессионального программного обеспечения. В ходе программы слушатели осваивают компетенции программиста и архитектора программного обеспечения.
Важной особенностью программы является формирование у студентов знаний и навыков по применению искусственного интеллекта и машинного обучения, проведения инженерно-научных расчетов с использованием возможностей языка Python с учетом обеспечения информационной безопасности.
Цель программы — подготовить квалифицированных и востребованных специалистов, способных комплексно решать задачи алгоритмизации и обработки данных, осознанно подходить к разработке программного обеспечения на языке Python. Программа ориентирована на слушателей, желающих получить актуальные и глубокие знания, связанные с проектированием, сопровождением и развитием архитектуры программного обеспечения.
Обратите внимание: обязательным элементом обучения для студентов является прохождение практики в профильной сфере за пределами образовательной организации.
Входные требования на 01 сентября 2024 года – студенты бакалавриата и специалитета, окончившие 1 курс, очной и очно-заочной форм обучения, обучающиеся в Физико-Механическом институте СПбПУ.
Кому подойдет этот курс?
Курс подойдет всем,
кто нацелен на профессиональный рост в сфере создания, совершенствования и сопровождения программного обеспечения на языке Python, кому интересны инженерно-научные вычисления, анализ данных, искусственный интеллект и машинное обучение
Программистам
Начинающим — получение углубленных знаний языка Python;
специализирующимся на других языках — освоение нового инструмента для быстрого прототипирования и высокоуровневого программирования;
Всем — математические основы и навыки применения машинного обучения и искусственного интеллекта
Физикам и математикам
Обработать экспериментальные данные, создать математическую модель и определить неизвестные параметры, построить прогноз изменения ключевых переменных, проверить теорию вычислительным экспериментом, создать компьютерный инструмент для компании или сообщества — курс закладывает фундамент для решения этих задач
Чему вы научитесь?
Разработке программ на языке Python
Научитесь создавать программы, используя процедурный и объектно-ориентированный подходы, применять функции, декораторы, структуры данных, модули, тестировать и отлаживать программы
Широкоиспользуемым библиотекам Python
Разберетесь с массивами в NumPy и временными рядами в Pandas, построением и оформлением графиков в Matplotlib, статистическими методами в Scikit-learn, познакомитесь с основами кибербезопасности
Применению систем искусственного интеллекта
Изучите различные системы представления знаний, графы, онтологии и синтез программ
Применению машинного обучения
Научитесь строить классификаторы, выполнять распознавание изображений, дообучать существующие модели машинного обучения, использовать глубокое обучение
Структура курса
- Введение в программирование на языке Python;
- Создание и использование функций;
- Декораторы;
- Стандартные коллекции;
- Основы объектно-ориентированного программирования;
- Итераторы и генераторы;
- Параллельное программирование;
- Тестирование и логирование
- Обзор возможностей библиотек Pandas, Numpy, Matplotlib, Scikit-learn;
- Основы кибербезопасности с Python
- Прикладные системы искусственного интеллекта;
- Представление знаний правилами продукций;
- Алгоритмы поиска решения;
- Представление знаний формулами исчисления предикатов;
- Представление знаний семантическими сетями;
- Автоматический синтез программ
- Введение в машинное обучение;
- Методы обучения без учителя;
- Наивный байесовский классификатор;
- Метрические методы классификации;
- Классификация на основе деревьев решений;
- Композиционные методы машинного обучения;
- Понятие персептрона;
- Многослойные нейронные сети;
- Архитектуры нейронных сетей для различных задач
Кем работают наши выпускники
Преподаватели программы
