Программа «Машинное обучение и основы искусственного интеллекта на Python» включает
144 урока (256 академических часов).
Курс охватывает путь от основ Python и анализа данных до построения моделей машинного обучения, кластеризации, регрессии, классификации, снижения размерности и автоматизации ML-процессов.
Выпускники программы могут занимать позиции Data Scientist, ML Engineer, Data Analyst, AI Specialist, Data Engineer (Junior). Востребованность — в IT-компаниях, банковской сфере, аналитических департаментах, финтехе, медиа, ритейле и наукоемких проектах.
Технологический стек программы
Python
NumPy
Pandas
Matplotlib
Seaborn
Scikit-learn
SQLite
Dask
Joblib
SHAP
NumPy
Pandas
Matplotlib
Seaborn
Scikit-learn
SQLite
Dask
Joblib
SHAP
Программа реализуется Центром индивидуального обучения Центра 25-12. 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 работе с искусственным интеллектом» в соответствии с профстандартом 06.037 «Специалист по искусственному интеллекту»
Подтверждает квалификацию «Специалист по работе с искусственным интеллектом» в соответствии с профстандартом 06.037 «Специалист по искусственному интеллекту»
✓
Соответствует профстандарту 06.037 и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование» в части разработки и применения технологий машинного обучения и искусственного интеллекта
Соответствует профстандарту 06.037 и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование» в части разработки и применения технологий машинного обучения и искусственного интеллекта
Качество и соответствие
Программа соответствует профстандарту 06.037 «Специалист по искусственному интеллекту» и требованиям ФГОС СПО 09.02.07 «Информационные системы и программирование» в части разработки и применения технологий машинного обучения и искусственного интеллекта.
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
- 1.7Практическая работа №4. Программы с условными операторами
- 1.8Условные конструкции
- 1.9Циклы в Python
- 1.10Практическая работа №5. Написание циклических программ
- 1.11Структуры данных: списки, кортежи, множества, словари
- 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 визуализация данных на Python36
- 2.1Введение в анализ данных и инструменты
- 2.2Практическая работа №1. Установка Jupyter Notebook и первые шаги с Pandas
- 2.3Основы NumPy: массивы и векторные операции
- 2.4Практическая работа №2. Создание и манипуляции с массивами NumPy
- 2.5Знакомство с Pandas: Series и DataFrame
- 2.6Практическая работа №3. Создание и индексация DataFrame
- 2.7Чтение и запись данных из CSV и TXT
- 2.8Практическая работа №4. Загрузка и экспорт данных в CSV
- 2.9Работа с Excel-файлами через openpyxl
- 2.10Практическая работа №5. Чтение и запись Excel без использования проприетарных библиотек
- 2.11Работа с локальными базами данных через SQLite
- 2.12Практическая работа №6. Запросы к SQLite из Pandas
- 2.13Фильтрация и сортировка данных в DataFrame
- 2.14Практическая работа №7. Условная выборка и сортировка данных
- 2.15Группировка данных и агрегатные функции
- 2.16Практическая работа №8. Группировка и сводные статистики
- 2.17Сводные таблицы в Pandas
- 2.18Практическая работа №9. Построение сводных таблиц для анализа
- 2.19Объединение таблиц: merge и join
- 2.20Практическая работа №10. Слияние нескольких наборов данных
- 2.21Работа с датами и временными метками
- 2.22Практическая работа №11. Преобразование и анализ временных данных
- 2.23Основы анализа временных рядов
- 2.24Практическая работа №12. Тренд и скользящее среднее
- 2.25Визуализация данных с Matplotlib
- 2.26Практическая работа №13. Построение базовых графиков
- 2.27Расширенная визуализация с Seaborn
- 2.28Практическая работа №14. Гистограммы, boxplot, heatmap
- 2.29Обработка пропущенных значений
- 2.30Практическая работа №15. Заполнение и удаление NaN
- 2.31Обнаружение и обработка выбросов
- 2.32Практическая работа №16. Методы выявления аномалий
- 2.33Кодирование категориальных признаков
- 2.34Практическая работа №17. One-hot и label encoding
- 2.35Нормализация и стандартизация данных
- 2.36Практическая работа №18. Масштабирование признаков для анализа
- Модуль 3. Основы машинного обучения на Python36
- 3.1Введение в машинное обучение: типы задач и цикл ML
- 3.2Практическая работа №1. Загрузка датасета и первичный анализ
- 3.3Обзор ключевых библиотек: Scikit-learn, joblib
- 3.4Практическая работа №2. Исследовательский анализ данных (EDA) с Pandas и Seaborn
- 3.5Разделение данных: train/test и stratification
- 3.6Практическая работа №3. Разделение набора данных на выборки
- 3.7Обработка пропущенных значений в ML-контексте
- 3.8Практическая работа №4. Импутация пропущенных данных
- 3.9Кодирование признаков для моделей
- 3.10Практическая работа №5. Подготовка категориальных данных для обучения
- 3.11Масштабирование признаков: StandardScaler, MinMaxScaler
- 3.12Практическая работа №6. Применение скалеров к данным
- 3.13Отбор признаков: методы фильтрации и обертки
- 3.14Практическая работа №7. Отбор признаков с SelectKBest
- 3.15Логистическая регрессия: теория и применение
- 3.16Практическая работа №8. Обучение классификатора на реальных данных
- 3.17Деревья решений: принцип работы и настройка
- 3.18Практическая работа №9. Построение и визуализация дерева
- 3.19Ансамбли: Random Forest
- 3.20Практическая работа №10. Обучение и оценка Random Forest
- 3.21Введение в регрессионные задачи
- 3.22Практическая работа №11. Линейная и полиномиальная регрессия
- 3.23Кластеризация: K-Means
- 3.24Практическая работа №12. Группировка данных без учителя
- 3.25Альтернативные методы кластеризации: Agglomerative, DBSCAN
- 3.26Практическая работа №13. Сравнение алгоритмов кластеризации
- 3.27Снижение размерности: PCA
- 3.28Практическая работа №14. Применение PCA для визуализации и сжатия
- 3.29Оценка качества классификации: accuracy, precision, recall, F1
- 3.30Практическая работа №15. Построение confusion matrix и ROC-кривой
- 3.31Кросс-валидация и устойчивость моделей
- 3.32Практическая работа №16. Кросс-валидация с cross_val_score
- 3.33Балансировка классов: SMOTE и взвешивание
- 3.34Практическая работа №17. Работа с несбалансированными данными
- 3.35Подбор гиперпараметров: GridSearch и RandomizedSearch
- 3.36Практическая работа №18. Оптимизация модели через поиск параметров
- Модуль 4. Практическое применение и автоматизация ML-процессов36
- 4.1Введение в ETL-процессы для ML
- 4.2Практическая работа №1. Создание простого ETL-скрипта на Python
- 4.3Извлечение данных из файлов и баз
- 4.4Практическая работа №2. Загрузка данных из CSV, Excel, SQLite
- 4.5Трансформация данных: очистка и агрегация
- 4.6Практическая работа №3. Функции для предобработки данных
- 4.7Загрузка результатов в файлы и базы
- 4.8Практическая работа №4. Сохранение обработанных данных
- 4.9Создание конвейера предобработки данных
- 4.10Практическая работа №5. Построение пайплайна с Pipeline из Scikit-learn
- 4.11Работа с большими данными через Dask (локально, без облака)
- 4.12Практическая работа №6. Обработка данных, не помещающихся в память
- 4.13Логирование и отслеживание этапов обработки
- 4.14Практическая работа №7. Настройка логирования с модулем logging
- 4.15Параллельные вычисления с joblib и multiprocessing
- 4.16Практическая работа №8. Ускорение обработки с параллелизмом
- 4.17Сохранение и загрузка моделей: joblib и pickle
- 4.18Практическая работа №9. Сериализация обученной модели
- 4.19Построение ML-пайплайна «от сырого датасета до предсказания»
- 4.20Практическая работа №10. Полный цикл подготовки и обучения
- 4.21Оценка стабильности модели на новых данных
- 4.22Практическая работа №11. Тестирование модели на «свежих» данных
- 4.23Интерпретация моделей: важность признаков
- 4.24Практическая работа №12. Визуализация feature importance
- 4.25Введение в SHAP
- 4.26Практическая работа №13. Интерпретация предсказаний с SHAP
- 4.27Создание отчётов об анализе и моделях
- 4.28Практическая работа №14. Генерация PDF/HTML-отчёта через Jupyter
- 4.29Автоматизация переобучения модели по расписанию
- 4.30Практическая работа №15. Настройка еженедельного переобучения
- 4.31Тестирование ML-кода: юнит-тесты для пайплайнов
- 4.32Практическая работа №16. Написание тестов с pytest
- 4.33Документирование кода и моделей
- 4.34Практическая работа №17. Создание README и спецификации модели
- 4.35Интеграция компонентов ML-решения в единую систему
- 4.36Практическая работа №18. Реализация сквозного ML-процесса: от загрузки данных до генерации предсказаний
Занятия проходят онлайн, в формате один на один.
График занятий согласуется индивидуально.
Всё программное обеспечение настраивается с преподавателем.
Финальный проект — построение, обучение и деплой модели машинного обучения.
Документ выдаётся после успешной сдачи проекта.
Требования
- Уверенное владение ПК
- Наличие гарнитуры и стабильного интернета
- Установленная среда разработки (рекомендации по установке даются в начале курса)
Особенности
- Обучение без воды – только актуальные знания, которые применяются в реальных задачах
- Полноценная практика – каждую тему сопровождают практические задания
- Работа с преподавателем – разбор ошибок и помощь
- Выбор формата обучения – персональный
- Выдача документа – удостоверение о повышении квалификации
Целевая аудитория
- Начинающие аналитики данных
- Python‑разработчики, изучающие ML
- Специалисты по ИИ и Data Science
- Студенты и выпускники технических направлений
- Все, кто хочет освоить машинное обучение в практике