Программа «Компьютерное зрение и искусственный интеллект на Python» включает
144 урока (256 академических часов).
Курс охватывает всё — от основ Python и анализа данных до современных алгоритмов машинного обучения,
сверточных нейросетей, компьютерного зрения и обработки больших данных.
Выпускники программы могут занимать позиции
ML Engineer, CV Engineer, Data Scientist, Data Analyst, AI-разработчик, Специалист по большим данным.
Востребованность — в IT-компаниях, финтехе, промышленности, медицине, ритейле, стартапах и высокотехнологичных проектах.
ML Engineer, CV Engineer, Data Scientist, Data Analyst, AI-разработчик, Специалист по большим данным.
Востребованность — в IT-компаниях, финтехе, промышленности, медицине, ритейле, стартапах и высокотехнологичных проектах.
Технологический стек программы
Python
NumPy
Pandas
Matplotlib
Seaborn
scikit-learn
TensorFlow / Keras
OpenCV
PIL
Dask
SQLAlchemy
Flask / FastAPI
DuckDB
NumPy
Pandas
Matplotlib
Seaborn
scikit-learn
TensorFlow / Keras
OpenCV
PIL
Dask
SQLAlchemy
Flask / FastAPI
DuckDB
Программа реализуется Центром индивидуального обучения Центра 25-12.
Обучение проходит в формате 1-на-1 с преподавателем по согласованному расписанию.
Обучение проходит в формате 1-на-1 с преподавателем по согласованному расписанию.
Документ об окончании
Диплом о профессиональной переподготовке
✓
Официальный документ об окончании программы ДПО
Официальный документ об окончании программы ДПО
✓
Подтверждает квалификацию «Специалист по большим данным»
Подтверждает квалификацию «Специалист по большим данным»
✓
Соответствует профстандарту и требованиям ФГОС
Соответствует профстандарту и требованиям ФГОС
Качество и соответствие
Программа соответствует профстандарту 06.036 «Специалист по работе с данными»
и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование».
и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование».
Стоимость и оплата
Оплату можно разделить на 4 этапа в течение обучения.
Все платежи осуществляются напрямую в адрес образовательной организации —
без процентов и скрытых комиссий.
1 этап
при старте модуля 1
72 000 ₽
2 этап
перед модулем 2
72 000 ₽
3 этап
перед модулем 3
72 000 ₽
4 этап
перед модулем 4
72 000 ₽
Общая стоимость программы — 288 000 ₽
Содержание
- 4 модуля
- 144 уроков
- 256 часов
- Модуль 1. Программирование на языке Python36
- 1.1Введение в Python и установка среды разработки
- 1.2Практическая работа №1. Установка Python и запуск первой программы
- 1.3Переменные и типы данных
- 1.4Практическая работа №2. Работа с переменными и типами данных
- 1.5Операторы в Python
- 1.6Практическая работа №3. Вычисления и логические операции в Python
- 1.7Условные конструкции
- 1.8Практическая работа №4. Программы с условными операторами
- 1.9Циклы в Python
- 1.10Практическая работа №5. Написание циклических программ
- 1.11Работа со строками
- 1.12Практическая работа №6. Обработка строк
- 1.13Списки и кортежи
- 1.14Практическая работа №7. Работа со списками
- 1.15Словари и множества
- 1.16Практическая работа №8. Использование словарей
- 1.17Функции в Python: основы
- 1.18Практическая работа №9. Создание пользовательских функций
- 1.19Передача аргументов, *args, **kwargs
- 1.20Практическая работа №10. Работа с *args и **kwargs
- 1.21Работа с файлами: чтение и запись
- 1.22Практическая работа №11. Работа с файлами: чтение и запись данных
- 1.23Работа с CSV и JSON файлами
- 1.24Практическая работа №12. Чтение и запись данных в CSV и JSON
- 1.25Обработка ошибок и исключения
- 1.26Практическая работа №13. Обработка ошибок в программах
- 1.27Регулярные выражения (re)
- 1.28Практическая работа №14. Поиск и замена данных с использованием regex
- 1.29Основы ООП в Python
- 1.30Практическая работа №15. Создание классов и объектов
- 1.31Наследование и полиморфизм
- 1.32Практическая работа №16. Реализация наследования в Python
- 1.33Генераторы списков и lambda-функции
- 1.34Практическая работа №17. Оптимизация кода с генераторами
- 1.35Модули и виртуальные окружения
- 1.36Практическая работа №18. Создание и использование venv
- Модуль 2. Анализ и обработка данных на Python36
- 2.1Введение в анализ данных и Big Data
- 2.2Практическая работа №1. Установка и настройка Anaconda, Jupyter Notebook
- 2.3Основы работы с библиотекой NumPy
- 2.4Практическая работа №2. Создание и манипуляции с многомерными массивами
- 2.5Основы работы с библиотекой Pandas
- 2.6Практическая работа №3. Загрузка и первичный анализ структурированных данных
- 2.7Чтение и запись данных в форматах CSV, JSON, Parquet
- 2.8Практическая работа №4. Импорт и экспорт данных с использованием Pandas
- 2.9Работа с Excel-файлами
- 2.10Практическая работа №5. Обработка табличных данных из Excel без внешних облачных сервисов
- 2.11Подключение к локальным базам данных (SQLite, PostgreSQL) через SQLAlchemy
- 2.12Практическая работа №6. Выполнение SQL-запросов из Python-скриптов
- 2.13Фильтрация и сортировка данных в Pandas
- 2.14Практическая работа №7. Отбор строк и столбцов по условию
- 2.15Группировка данных и агрегация
- 2.16Практическая работа №8. Расчёт статистик по группам (среднее, сумма, количество)
- 2.17Сводные таблицы и кросстабуляции
- 2.18Практическая работа №9. Построение аналитических сводок по категориальным данным
- 2.19Объединение и слияние датафреймов
- 2.20Практическая работа №10. Объединение таблиц по ключам (join/merge)
- 2.21Работа с временными рядами
- 2.22Практическая работа №11. Преобразование строковых дат и агрегация по периодам
- 2.23Обработка пропущенных данных
- 2.24Практическая работа №12. Поиск, удаление и импутация пропусков
- 2.25Работа с выбросами и аномалиями
- 2.26Практическая работа №13. Выявление выбросов методами IQR и Z-score
- 2.27Кодирование категориальных признаков
- 2.28Практическая работа №14. One-hot и label-кодирование
- 2.29Нормализация и стандартизация данных
- 2.30Практическая работа №15. Масштабирование признаков для ML-моделей
- 2.31Работа с большими наборами данных
- 2.32Практическая работа №16. Оптимизация типов данных и использование chunk-загрузки
- 2.33Визуализация данных с помощью Matplotlib
- 2.34Практическая работа №17. Построение гистограмм, boxplot, scatter и линейных графиков
- 2.35Визуализация данных с помощью Seaborn
- 2.36Практическая работа №18. Построение тепловых карт, парных графиков и распределений
- Модуль 3. Основы машинного обучения и искусственного интеллекта36
- 3.1Введение в машинное обучение: типы задач (классификация, регрессия, кластеризация)
- 3.2Практическая работа №1. Постановка ML-задач на основе реальных датасетов
- 3.3Подготовка данных для машинного обучения
- 3.4Практическая работа №2. Разделение данных на обучающую и тестовую выборки
- 3.5Обучение первой модели: линейная регрессия
- 3.6Практическая работа №3. Прогнозирование числовых значений с помощью scikit-learn
- 3.7Метрики качества моделей: MAE, MSE, R², accuracy, precision, recall
- 3.8Практическая работа №4. Оценка качества моделей на тестовой выборке
- 3.9Классификация: логистическая регрессия и kNN
- 3.10Практическая работа №5. Решение задач бинарной и многоклассовой классификации
- 3.11Деревья решений и случайный лес
- 3.12Практическая работа №6. Обучение и визуализация дерева решений
- 3.13Кластеризация: K-Means и иерархическая кластеризация
- 3.14Практическая работа №7. Группировка клиентов или объектов без разметки
- 3.15Работа с несбалансированными данными
- 3.16Практическая работа №8. Применение oversampling (SMOTE) и undersampling
- 3.17Кросс-валидация и подбор гиперпараметров
- 3.18Практическая работа №9. Подбор параметров с помощью GridSearchCV
- 3.19Основы нейросетей: перцептрон и многослойные сети
- 3.20Практическая работа №10. Создание простой нейросети с помощью Keras/TensorFlow
- 3.21Обучение нейросетей на табличных данных
- 3.22Практическая работа №11. Построение модели для предсказания с числовыми/категориальными признаками
- 3.23Введение в нейросети для обработки изображений
- 3.24Практическая работа №12. Загрузка и предобработка изображений с помощью OpenCV и PIL
- 3.25Сверточные нейронные сети (CNN): архитектура и принцип работы
- 3.26Практическая работа №13. Построение первой CNN для классификации CIFAR-10
- 3.27Обучение CNN на собственном датасете
- 3.28Практическая работа №14. Подготовка изображений и обучение модели под задачу
- 3.29Техники ускорения и уменьшения переобучения (Dropout, BatchNorm, Data Augmentation)
- 3.30Практическая работа №15. Применение аугментации и регуляризации в Keras
- 3.31Использование предобученных моделей (Transfer Learning)
- 3.32Практическая работа №16. Тонкая настройка MobileNet/VGG16 под собственную задачу
- 3.33Оценка и интерпретация моделей компьютерного зрения
- 3.34Практическая работа №17. Визуализация активаций и ошибок предсказаний
- 3.35Применение сквозного ML-пайплайна для задачи классификации изображений
- 3.36Практическая работа №18. Реализация последовательной обработки: загрузка, предобработка, обучение, оценка модели
- Модуль 4. Компьютерное зрение и обработка больших данных36
- 4.1Введение в компьютерное зрение: задачи и применения
- 4.2Практическая работа №1. Установка OpenCV и загрузка изображений
- 4.3Работа с изображениями: цветовые пространства, каналы, гистограммы
- 4.4Практическая работа №2. Преобразование RGB → HSV, выделение объектов по цвету
- 4.5Фильтрация и шумоподавление: Gaussian, Median, Bilateral
- 4.6Практическая работа №3. Улучшение качества изображений с OpenCV
- 4.7Геометрические преобразования: масштабирование, поворот, аффинные преобразования
- 4.8Практическая работа №4. Коррекция перспективы и выравнивание объектов
- 4.9Обнаружение границ и контуров (Canny, Sobel, Laplacian)
- 4.10Практическая работа №5. Поиск и отрисовка контуров объектов
- 4.11Сегментация изображений: пороговая, адаптивная, watershed
- 4.12Практическая работа №6. Выделение фона и переднего плана
- 4.13Обнаружение объектов: метод скользящего окна, Haar-каскады
- 4.14Практическая работа №7. Обнаружение лиц и глаз с помощью предобученных каскадов
- 4.15Извлечение признаков: SIFT, SURF (через альтернативы, совместимые с РФ)
- 4.16Практическая работа №8. Сравнение изображений по ключевым точкам (ORB, BRISK)
- 4.17Работа с видео: чтение, запись, обработка кадров
- 4.18Практическая работа №9. Обнаружение движущихся объектов в видеопотоке
- 4.19Обработка больших объёмов изображений (пакетная обработка)
- 4.20Практическая работа №10. Создание пайплайна для обработки тысяч изображений
- 4.21Анализ структурированных и полуструктурированных данных в контексте Big Data
- 4.22Практическая работа №11. Работа с датасетами >1 ГБ через chunking и Dask
- 4.23Введение в распределённые вычисления: Dask и локальные кластеры
- 4.24Практическая работа №12. Параллельная обработка данных без облачных сервисов
- 4.25Хранение и обработка данных: Apache Parquet, DuckDB
- 4.26Практическая работа №13. Эффективное хранение и запросы к большим данным
- 4.27Основы MLOps: сохранение и загрузка моделей, логирование экспериментов
- 4.28Практическая работа №14. Сохранение модели в формате .h5 / .pkl и восстановление
- 4.29Развёртывание ML-модели: локальный REST API на Flask/FastAPI
- 4.30Практическая работа №15. Создание API для получения предсказаний модели по HTTP
- 4.31Интеграция компьютерного зрения в аналитические системы
- 4.32Практическая работа №16. Генерация отчётов с визуализацией результатов обработки изображений
- 4.33Этические и правовые аспекты работы со зрительными данными
- 4.34Практическая работа №17. Обезличивание изображений и соблюдение требований к персональным данным
- 4.35Интеграция компонентов компьютерного зрения и анализа данных в единую рабочую схему
- 4.36Практическая работа №18. Последовательная реализация этапов: пакетная обработка изображений, применение модели, генерация отчёта
Все занятия проводятся онлайн в формате один на один с преподавателем
Да, время и интенсивность занятий согласуются индивидуально
Да, все программное окружение настраивается под руководством наставника
При предупреждении заранее занятие переносится
После успешной сдачи проекта выдается диплом о профессиональной переподготовке
Требования
- Уверенное владение ПК
- Наличие гарнитуры и стабильного подключения к интернету
- Программное обеспечение устанавливается совместно с преподавателем
Особенности
- Обучение без воды — только актуальные знания для реальных задач
- Полноценная практика с заданиями по каждой теме
- Персональная работа с преподавателем и разбор ошибок
- Гибкий выбор формата и графика обучения
- Диплом о профессиональной переподготовке по окончании
Целевая аудитория
- Аналитиков и Data Scientists
- Программистов и инженеров данных
- Специалистов по автоматизации и систем интеллектуального анализа