Искусственный интеллект и машинное обучение

Формат обучения

Вид образования

Повышение квалификации

Срок обучения

О курсе

Программа охватывает весь путь развития ИИ — от классических алгоритмов (линейная регрессия, деревья решений, SVM) до глубоких нейросетей и архитектур CNN (LeNet, AlexNet, VGG, ResNet). Слушатели изучают работу с реальными источниками данных беспилотного транспорта — камерой, лидаром, радаром и GNSS — и учатся решать задачи компьютерного зрения: классификацию, детекцию и сегментацию. Отдельный блок посвящён обучению с подкреплением и его применению в планировании пути автономных транспортных средств. Ключевая практическая часть — полный цикл создания собственного детектора объектов: сбор видео, разметка в CVAT и обучение модели YOLOv8 в Google Colab. В результате слушатель получает не только теоретическую базу по ИИ и ML, но и обученную собственную модель компьютерного зрения.
Искусственный интеллект и машинное обучение» знакомит с историей развития ИИ — от символьного подхода до машинного и глубокого обучения — и раскрывает понятие интеллекта как функции через тест Тьюринга. Слушатели изучают, как устроены данные и признаки в машинном обучении, а также разбирают источники данных беспилотного транспорта: камеру, лидар, радар и GNSS. Программа охватывает классические алгоритмы машинного обучения — линейную регрессию, деревья решений, ансамблевые методы и метод опорных векторов — с практическими критериями их выбора под конкретную задачу. Отдельное внимание уделяется нейронным сетям: от модели нейрона и персептрона до алгоритма обратного распространения ошибки. Курс подробно разбирает сверточные нейронные сети и ключевые архитектуры компьютерного зрения — LeNet, AlexNet, VGG, ResNet и семейство YOLO. Изучается обучение с подкреплением на примере планирования пути автономного транспортного средства и проектирования функции вознаграждения. Слушатели учатся работать с открытыми платформами данных Kaggle и Roboflow, а также самостоятельно собирать и оценивать качество датасетов. Итогом курса становится практический проект — обучение собственной модели YOLOv8 на размеченных в CVAT данных с запуском инференса и визуализацией результатов детекции.

Категория слушателей

Специалисты с высшим или средним профессиональным образованием, желающие освоить методы искусственного интеллекта и машинного обучения или повысить квалификацию в своей профессиональной сфере

Характеристики курса

Вид образования

Повышение квалификации

Выдаваемый документ

Удостоверение о повышении квалификации

Формат обучения

Срок обучения

Стоимость обучения

Онлайн

20 000 рублей

Содержание курса

Тема 1. Введение в искусственный интеллект

Рассматриваются история развития ИИ, три волны: символьный подход, машинное обучение и глубокое обучение.
Изучаются виды искусственного интеллекта: узкий ИИ, общий ИИ и суперинтеллект.
Разбирается тест Тьюринга и понятие интеллекта как функции.
Анализируется архитектура беспилотного транспортного средства и место ИИ в каждом из ее слоев: восприятие, принятие решений и управление.

Тема 2. Данные и признаки в машинном обучении

Рассматриваются типы данных: структурированные, неструктурированные и временные ряды.
Изучаются понятие признака, ручное и автоматическое извлечение признаков.
Анализируются источники данных для беспилотного транспорта: камера, лидар, радар и GNSS, а также принцип сенсорной фьюжн.
Разбираются проблемы качества данных: несбалансированность классов, смещение выборки и ошибки разметки.
Изучается разбивка данных на обучающую, валидационную и тестовую выборки.

Тема 3. Классические алгоритмы машинного обучения

Рассматриваются три парадигмы машинного обучения: с учителем, без учителя и с подкреплением.
Изучаются линейная регрессия, функция потерь и метод градиентного спуска.
Разбираются деревья решений, проблема переобучения и ансамблевые методы: случайный лес и градиентный бустинг.
Анализируется метод опорных векторов и ядровый трюк.
Изучаются практические критерии выбора алгоритма в зависимости от задачи и объема данных.

Тема 4. Нейронные сети

Рассматривается математическая модель нейрона, функции активации и их роль в формировании нелинейных зависимостей.
Изучается история развития нейронных сетей: персептрон Розенблатта и проблема XOR.
Разбирается архитектура многослойного персептрона и теорема об универсальной аппроксимации.
Анализируется алгоритм обратного распространения ошибки и цепное правило дифференцирования.
Изучаются гиперпараметры обучения: скорость обучения, размер батча и число эпох

Тема 5. Сверточные нейронные сети

Рассматривается операция свертки: фильтр, карта признаков, разделение весов и локальная связность.
Изучается операция пулинга и полная архитектура CNN.
Анализируется иерархическое извлечение признаков: от краев и текстур до семантических объектов.
Разбираются ключевые архитектуры: LeNet, AlexNet, VGG и ResNet с остаточными связями.
Изучаются задачи компьютерного зрения: классификация, детекция и сегментация.
Рассматривается семейство архитектур YOLO для детекции в реальном времени и метод переноса обучения

Тема 6. Обучение с подкреплением

Рассматривается формальная постановка задачи: агент, среда, состояние, действие и вознаграждение.
Изучается марковский процесс принятия решений и уравнение Беллмана.
Рассматривается применение обучения с подкреплением в задачах планирования пути беспилотного транспортного средства, проектирование функции вознаграждения и симуляция как инструмент обучения.

Тема 7. Источники данных и платформы машинного обучения

Рассматриваются методы сбора собственного датасета: поиск видеоматериалов, критерии отбора и оценки качества исходных данных.
Изучаются открытые платформы для работы с готовыми датасетами: Kaggle и Roboflow.
Анализируются критерии выбора датасета в зависимости от задачи: размер, разметка, лицензия и соответствие предметной области.
Разбирается работа с готовыми датасетами для задач компьютерного зрения в контексте беспилотного транспорта.

Тема 8. Обучение собственной модели YOLO

Рассматривается полный цикл разработки детектора объектов на собственном датасете.
Изучается поиск и скачивание видеоматериалов с открытых источников.
Разбивка видео на обучающую, валидационную и тестовую части с помощью программного обеспечения.
Нарезка видео на отдельные кадры для последующей разметки.
Разметка изображений в инструменте CVAT: создание проекта, добавление классов и аннотация объектов.
Обучение модели YOLOv8 в облачной среде Google Colab с применением предобученных весов.
Оценка качества обученной модели и запуск инференса на видео с визуализацией результатов детекции.