Специалист по ИИ

Name: Специалист по ИИ
Price: 4624 RUB
Availability: PreOrder

14 участников

НЗ Автор Никита Зелинский, Мария Жарова, Максим Шаланкин, Артур Сапрыкин Школа proglib.academy

О чём курс

Восемь месяцев длится подготовка специалистов по искусственному интеллекту с нуля. Ученики изучают программирование, прикладную математику, алгоритмы машинного обучения и проектируют сложные решения, например AI-агенты с интеграцией во внешние сервисы. За это время они собирают портфолио из 5 реальных проектов и готовят дипломную работу.

Для кого

Курс рассчитан на слушателей с разным уровнем подготовки:

новичков без опыта в IT, желающих освоить сферу Data Science с нуля;
действующих Data Scientist и ML-инженеров, стремящихся систематизировать знания и вырасти профессионально;
опытных разработчиков, планирующих применить свои навыки в сфере анализа данных;
студентов и выпускников технических и естественнонаучных специальностей;
специалистов, желающих сменить профессию и перейти в IT.

Что внутри

Учебный план охватывает четыре ключевых направления:

изучение базового синтаксиса и конструкций языка Python, работу со структурами данных, написание функций, парсинг веб-страниц и разработку Telegram-бота;
фундаментальную математическую базу, включающую разделы линейной алгебры, математического анализа, методов оптимизации, теории вероятностей и статистики;
классические и современные алгоритмы машинного обучения, от линейных моделей и решающих деревьев до алгоритмов кластеризации, понижения размерности и градиентного бустинга;
разработку и интеграцию AI-агентов.

Что даёт

Слушатели курса получают практические навыки решения прикладных задач ML: построение моделей прогнозирования и классификации, отбор признаков, проверка статистических гипотез и работа с ансамблевыми методами. По завершении специализации выдаётся сертификат.

Программа обучения

Основы Python

Установка программного обеспечения
Знакомство с Рython. Компилятор и интерпретатор. Запрос данных у пользователя. Функция input
Тестовые задания и задачи
Операции с целыми и вещественными числами
Типы данных
Переменные
Логические операции. Операции сравнения. Условия if/else. Тестовые задания и задачи
Базовая работа со строками. Методы split и join. Остальные методы строк. Тестовые задания и задачи
Базовая работа со списками. Метод append
Методы списков. Срезы списков и строк. Цикл while. Тестовые задания и задачи
Цикл for. Функции range() и print().Инструкции break и continue
Цикл for. Функция enumerate(). Вложенные циклы. Генераторы списков. Тестовые задания и задачи
Функции. Словари. Работа с файлами. Модули
Библиотеки. Тестовые задания и задачи
Создание бота для телеграм. Парсинг веб-страниц
Бонусные материалы
Итоговый проект

Математика для DS

1. Векторы и матрицы, операции с ними
- Теория: Разберём, что такое векторы и матрицы, их базовые свойства. Поймём, что такое определитель, ранг и обратимость. Разберем правила умножения и транспонирования
- Практика: В NumPy создадим массивы. Освоим различные операции над одномерными и двумерными массивами.
- Результат: Уверенно оперируете матрицами и векторами и понимаете, как эти знания применяются
- Сможете решать задачи: Реализовывать базовые матричные операции. Находить обратные матрицы/ранги матриц. Осуществлять линейные преобразования и решать СЛАУ.
1. Линейная регрессия и МНК
- Теория: Познакомимся с концепцией линейной зависимости. Построим модель линейной регрессии, разберём метод наименьших квадратов для поиска весов. Обсудим допущения и интерпретацию коэффициентов
- Практика: Реализуем МНК в NumPy и сравним со scikit-learn. Научимся базовой подготовке данных и валидации моделей.
- Результат: Умеете обучать, интерпретировать и оценивать линейную модель.
- Сможете решать задачи: Строить простые прогностические модели, оценивать их качество.
1. Матричные разложения
- Теория: Познакомимся с собственными значениями/векторами и их смыслом. Изучим SVD: разложение, применение к снижению размерности и построению рекомендательных систем.
- Практика: Реализуем SVD в NumPy. Снизим размерность данных. Построим рекомендательную систему
- Результат: Понимаете, когда и как применять матричные разложения.
- Сможете решать задачи: Снижать размерность данных. Фильтровать шум. Реализовывать рекомендательные системы
1. Функция одной переменной, пределы
- Теория: Вспомним определения функции, области определения, множества значений. Научимся вычислять пределы и узнаем их основных свойства. Обсудим непрерывность и типы разрывов.
- Практика: Вычислим типовые пределы (алгебраические приёмы, эквивалентности). Изучим поведение функции около точки.
- Результат: Умеете находить пределы и распознавать непрерывность.
- Сможете решать задачи: Задачи на пределы и реализацию классификации разрывов.
1. Экстремумы и ФНП (функции нескольких переменных)
- Теория: Производная и критические точки, критерии минимума/максимума. Функции нескольких переменных, частные производные, градиент.
- Практика: Научимся искать экстремумы, вычислять производные для функций нескольких переменных.
- Результат: Понимаете, как устроены локальные экстремумы в одномерном и многомерном случае.
- Сможете решать задачи: Оптимизировать простые функции
1. Оптимизация и интегрирование
- Теория: Разберём идею градиентного спуска: поговорим про шаг, сходимость и критерии остановки. Освежим знания про интегралы и методы интегрирования.
- Практика: Реализуем градиентный спуск. Посчитаем простые интегралы.
- Результат: Умеете реализовывать простые оптимизационные алгоритмы и считать интегралы.
- Сможете решать задачи: Прикладные задачи оптимизации в ML и оценивать площади/средние величины по кривым.
1. Математический анализ: практика
- Теория: Свяжем производную функции потерь и направление наискорейшего убывания. Рассмотрим MSE и его градиент.
- Практика: С нуля построим линейную регрессию с помощью градиентного спуска.
- Результат: Получите рабочий пайплайн с чистым, воспроизводимым кодом.
- Сможете решать задачи: Обучать модели на своих данных, диагностировать и улучшать качество.
1. Введение в теорию вероятностей
- Теория: События, аксиомы вероятности, условная вероятность и формула полной вероятности. Формула Байеса и интуиция Наивного Байесовского Классификатора.
- Практика: Смоделируем вероятностные эксперименты, оценим частоты, реализуем наивный Байес (NumPy) и сравним с sklearn.
- Результат: Уверенно оперируете вероятностями и Байесовским выводом на простых задачах.
- Сможете решать задачи: Классификацию на NB, задачи на условные/полные вероятности.
1. Случайные величины
- Теория: Дискретные и непрерывные СВ, математическое ожидание, дисперсия, ковариация. Базовые распределения: Бернулли, Биномиальное, Пуассон; Равномерное, Нормальное, Экспоненциальное.
- Практика: Генерируем выборки в NumPy/SciPy, строим гистограммы/плотности, сравниваем теоретические и выборочные моменты.
- Результат: Понимаете выбор распределения под задачу и умеете оценивать его параметры.
- Сможете решать задачи: Моделирование, оценка рисков/вероятностей, расчёт ожиданий и вариативности на данных.
1. Основы статистики и проверки гипотез
- Теория: Нулевая/альтернативная гипотезы, ошибки I/II рода, p-value и доверительные интервалы. t-тесты для одной и двух выборок и их предпосылки.
- Практика: Считаем доверительные интервалы, проводим t-тесты, интерпретируем результат и силу эффекта. Смотрим влияние размера выборки.
- Результат: Грамотно формулируете и проверяете гипотезы, делаете статистически корректные выводы.
- Сможете решать задачи: A/B-тесты, сравнение средних/пропорций и принятие решений на основе данных.

Машинное обучение

Введение в машинное обучение
- Теория: Познакомимся с базовыми понятиями и терминологией ML. Изучим основные типы задач. Разберём различия между обучением с учителем, без учителя и обучением с подкреплением
- Практика: Научимся отличать типы задач друг от друга и формулировать бизнес-задачи под ML. Проанализируем примеры датасетов и определим подходящие типы алгоритмов. Изучим базовые метрики для оценки качества различных типов задач
- Результат: Понимать фундаментальные концепции машинного обучения, уметь классифицировать задачи по типам.
- Сможете решать задачи: определение типа ML-задачи для бизнес-кейсов, выбор подходящих алгоритмов для различных предметных областей, формулировка технического задания для ML-проектов.
Линейные модели: регрессия
- Теория: Изучим линейную регрессию как основу предсказательного моделирования и её математическую формулировку. Разберём функции потерь и метрики качества регрессии: MSE, MAE, R², RMSE. Рассмотрим основы градиентного спуска как метода оптимизации и концепцию переобучения
- Практика: Реализуем линейную регрессию. Научимся интерпретировать коэффициенты модели
- Результат: Понимать принципы работы линейной регрессии, уметь применять градиентный спуск для оптимизации.
- Сможете решать задачи: предсказание цен на недвижимость, прогнозирование продаж, оценка стоимости автомобилей, анализ зависимости зарплаты от опыта работы.
Градиентный спуск и его модификации
- Теория: Изучим различные варианты градиентного спуска. Познакомимся с методами регуляризации L1 и L2 для предотвращения переобучения. Разберём продвинутые оптимизаторы: Adam, RMSprop и стратегии настройки гиперпараметров
- Практика: Сравним производительность различных вариантов градиентного спуска на практических задачах. Реализуем регуляризацию L1 и L2, изучим их влияние на отбор признаков. Поэкспериментируем с различными значениями гиперпараметров
- Результат: Понимать различия между методами оптимизации, уметь выбирать подходящие гиперпараметры.
- Сможете решать задачи: отбор важных признаков в высокоразмерных данных, ускорение сходимости алгоритмов машинного обучения.
Линейные методы классификации
- Теория: Изучим логистическую регрессию и сигмоидную функцию активации. Разберём метрики качества классификации: accuracy, precision, recall, F1-score, ROC-AUC. Рассмотрим проблему несбалансированных классов и основы многоклассовой классификации
- Практика: Реализуем логистическую регрессию и интерпретируем её вероятностные предсказания. Построим и проанализируем матрицу ошибок, научимся выбирать оптимальный порог классификации. Поработаем с несбалансированными данными: техники семплирования, взвешивание классов
- Результат: Понимать принципы классификации, уметь оценивать качество моделей
- Сможете решать задачи: детекция спама в электронной почте, медицинская диагностика по симптомам, определение кредитоспособности клиентов
Методы опорных векторов (SVM)
- Теория: Изучим концепцию максимизации отступа и роль опорных векторов в построении модели. Познакомимся с особенностями решения нелинейно разделимых задач. Разберём различные типы ядер и параметр регуляризации
- Практика: Реализуем линейный SVM. Поэкспериментируем с различными ядрами для решения нелинейных задач. Настроим гиперпараметры SVM с использованием кросс-валидации
- Результат: Понимать геометрическую интерпретацию SVM, уметь применять различные ядра для нелинейных задач.
- Сможете решать задачи: классификация текстов и документов, распознавание рукописных символов, задачи биоинформатики
Нелинейные методы классификации
- Теория: Изучим общие подходы к построению нелинейных разделяющих поверхностей. Разберём полиномиальные признаки и различные способы создания нелинейности. Рассмотрим проблему размерности и методы регуляризации в нелинейных методах
- Практика: Создадим полиномиальные признаки для линейных алгоритмов. Сравним производительность линейных и нелинейных подходов на синтетических данных. Применим различные методы регуляризации для контроля сложности нелинейных моделей
- Результат: Понимать принципы создания нелинейных моделей, уметь контролировать сложность модели.
- Сможете решать задачи: классификация сложных паттернов в данных, анализ нелинейных зависимостей в финансовых временных рядах
Решающие деревья
- Теория: Изучим принципы построения решающих деревьев и критерии разбиения: энтропия, индекс Джини. Разберём алгоритмы ID3, C4.5, CART и критерии остановки роста дерева. Рассмотрим методы обрезки деревьев и интерпретируемость как ключевое преимущество
- Практика: Реализуем построение решающего дерева с различными критериями разбиения. Визуализируем структуру деревьев и интерпретируем правила принятия решений. Поэкспериментируем с гиперпараметрами для контроля переобучения
- Результат: Понимать алгоритмы построения деревьев, уметь интерпретировать модели и извлекать бизнес-правила.
- Сможете решать задачи: создание экспертных систем принятия решений, автоматизация бизнес-процессов, медицинская диагностика с объяснимыми правилами, кредитный скоринг с прозрачными критериями.
1. Ансамблевые методы: бэггинг и случайный лес
- Теория: Изучим концепцию ансамблевого обучения и метод бэггинга для снижения дисперсии. Разберём алгоритм случайного леса и случайный отбор признаков[. Познакомимся с разложением ошибки на bias и variance и методами оценки важности признаков
- Практика: Реализуем бэггинг на основе решающих деревьев. Построим модель случайного леса и настроим её гиперпараметры. Проанализируем важность признаков и используем её для отбора фичей
- Результат: Понимать принципы ансамблевого обучения, уметь применять бэггинг и случайный лес.
- Сможете решать задачи: прогнозирование в условиях высокой неопределённости, анализ важности факторов в сложных системах, обработка больших объёмов разнородных данных, повышение надёжности ML-систем.
Градиентный бустинг и современные реализации
- Теория: Изучим принципы градиентного бустинга и последовательное обучение слабых моделей. Разберём современные реализации: XGBoost, CatBoost, LightGBM и их особенности. Рассмотрим методы регуляризации и предотвращения переобучения в бустинге
- Практика: Реализуем простой градиентный бустинг. Поэкспериментируем с XGBoost, CatBoost и LightGBM на различных датасетах. Настроим гиперпараметры и применим продвинутые техники интерпретации
- Результат: Понимать принципы градиентного бустинга, уметь выбирать подходящую реализацию.
- Сможете решать задачи: сможете полноценно участвовать в соревнованиях по машинному обучению (Kaggle), реализовывать прогнозирование в бизнесе с высокой точностью, обрабатывать данные с категориальными признаками
1. Обучение без учителя: кластеризация
- Теория: Изучим основные методы кластеризации: K-means, иерархическая кластеризация, DBSCAN. Разберём метрики качества кластеризации и методы определения оптимального количества кластеров. Рассмотрим различные меры расстояния и их влияние на результаты кластеризации
- Практика: Реализуем алгоритм K-means и проанализируем его сходимость. Применим иерархическую кластеризацию и построим дендрограммы. Поэкспериментируем с DBSCAN для выявления кластеров произвольной формы
- Результат: Понимать принципы кластеризации, уметь выбирать подходящий алгоритм для конкретного типа данных.
- Сможете решать задачи: сегментация клиентов для маркетинга, группировка товаров в интернет-магазине, анализ социальных сетей, поиск аномалий в данных, исследовательский анализ данных без меток.
Понижение размерности и детектирование аномалий
- Теория: Изучим проблему проклятия размерности и метод главных компонент (PCA). Познакомимся с альтернативными методами: LDA, t-SNE, UMAP для визуализации данных. Разберём методы детектирования аномалий: статистические, основанные на плотности
- Практика: Применим PCA для понижения размерности и визуализации данных. Сравним различные методы понижения размерности на высокомерных данных. Реализуем алгоритмы детектирования аномалий и оценим их производительность
- Результат: Понимать методы понижения размерности, уметь применять PCA для предобработки данных.
- Сможете решать задачи: сжатие изображений и видео, визуализация высокоразмерных данных, обнаружение мошеннических транзакций, поиск дефектов в производстве, мониторинг IT-систем на предмет аномалий.
1. Рекомендательные системы
- Теория: Изучим основные подходы: коллаборативная фильтрация user-based и item-based. Разберём контентны

Разработка AI-агентов

Складчина создана 24 сентября 2026 г. · описание обновлено 18 октября 2026 г.

Теги курса

Отзывов пока нет. Будьте первым!

Как получить курс?

Влада Администратор сайта

Этот курс сейчас в процессе организации складчины. Нажмите кнопку «Записаться» и ожидайте старта — вам придёт уведомление. Когда складчина стартует, в карточке курса будет указан актуальный взнос. Текущая цена пока в процессе формирования и может отличаться от финальной.

Финальный взнос будет ниже, чем 55 000 ₽?

Влада Администратор сайта

Да, мы стремимся, чтобы финальный взнос был не больше ≈10% от оригинальной цены курса. Чем больше участников записывается в складчину, тем ниже выходит взнос для каждого.

Как я могу ускорить сбор складчины и уменьшить взнос?

Влада Администратор сайта

Нажмите кнопку «Записаться» и авторизуйтесь на сайте через email (через ту же почту, которую будете использовать для входа). В личном кабинете вас будут ждать инструкции, как пригласить других участников — чем больше людей записалось, тем быстрее стартует складчина и тем ниже взнос. Как только складчина готова к приобретению, вам придёт уведомление.