Улучшаемые навыки
Машинное обучение в бизнесе
Оценка ML-инициатив
ROI AI-проектов
Управление рисками AI
Внедрение ИИ-решений
Компьютерное зрение (CV)
Обработка естественного языка (NLP)
Прогнозная аналитика
Бизнес-применение AI
Чему вы научитесь
01
Выявлять бизнес-задачи с наибольшим потенциалом для внедрения машинного обучения.
02
Понимать этапы создания реального ИИ-решения: от формализации бизнес-запроса до оценки итогового решения.
03
Прогнозировать риски в ИИ-проектах.
04
Отличать внешние ML-инициативы от проектов по оптимизации внутренних операционных процессов.
Программа курса
01
Внедрение машинного обучения во внутренние процессы компании
Зачем применять ML во внутренних процессах?
Какие тренды в использовании ML среди корпораций?
Чем отличается применение ML во внутренних процессах компании от создания решений вовне?
Как найти точки для внедрения ML в работе?
К каким задачам можно приложить ML?
Как оценить перспективность идеи внедрения?
Делать самим или купить?
Как строится типичный процесс внедрения?
Практика: отсев неудачных ML-инициатив.
02
Разработка ИИ-решений в компьютерном зрении
В чем преимущества компьютерного зрения?
Какие тренды в использовании компьютерного зрения?
Где искать идеи для создания продукта?
В каких задачах компьютерное зрение успешно себя проявляет?
Как оценить перспективность идеи?
Где ниша уже сформировалась, а где технологии только появляются?
Как строится типичный процесс создания продукта?
Какие основные риски в компьютерном зрении?
Практика: оценка рисков в создании решения.
03
Разработка ИИ-решений в обработке естественного языка
В чем преимущества автоматизированной естественно-языковой обработки?
Какие тренды в использовании NLP?
Где искать идеи для создания продукта?
В каких задачах NLP успешно себя проявляет?
Как оценить перспективность идеи?
Где ниша уже сформировалась, а где технологии только появляются?
Как строится типичный процесс создания продукта?
Какие основные риски в естественно-языковой обработке?
Практика: оценка потенциальных ограничений.
04
Разработка ИИ-решений в прогнозировании
В чем преимущества прогнозирования?
Зачем использовать ML в прогнозировании?
Где искать идеи для создания продукта?
В каких сферах используется прогнозирование?
Как оценить перспективность идеи?
В каких отраслях уже есть успешные решения по созданию прогнозов?
Какие особенности у систем прогнозирования?
Какие основные риски в прогнозировании?
Практика: поэтапное внедрение.
05
Итого на курс 16 часов: теория — 12 ак. ч. (75%), практика — 4 ак. ч. (25%)
Для кого
Бизнес-аналитик
Руководитель проекта
Data Scientist
Предварительная подготовка
Базовое понимание концепций машинного обучения и искусственного интеллекта. Желательно базовое знакомство с концепциями Data Science и AI. Курс не требует навыков программирования или углубленного знания алгоритмов ML.
Расписание курсов
Курс проводят
Петрова Яна
Эксперт в области Machine Learning и Data Science
О тренере
Яна работает в области машинного обучения с 2018 года, последние 3 года участвует в коммерческой разработке нейронных сетей для компьютерного зрения. Является руководителем отдела машинного обучения.
Выпускница МГТУ им. Н.Э. Баумана по специальности «Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей» .
С 2022 года преподает Машинное обучение и Глубокое обучение на кафедре «Компьютерные системы и сети» в МГТУ им. Н.Э. Баумана.
О проектах
Проектировала модели для:
- работы сельскохозяйственных дронов
-
систем распознавания в розничной торговле
-
считывания адресов на почтовых конвертах
-
распознавания опухолей на рентгеновских снимках