Методы анализа и прогнозирования данных

Вы будете знать:

• основные принципы, процесс, стадии и методологии разработки решений на основе ИИ;
• основные платформы данных (облачные и внутрикорпоративные), применяемые при разработке решений на основе ИИ;
• основные технологии DS и BigData, используемые для решения практических задач;
• основные виды представления данных: табличные, графовые, временные ряды;
• основные определения, историю развития, и главные тренды ИИ;
• основные инструменты анализа данных и ML (RapidMiner);
• основные уровни представления данных.

Вы будете уметь:

• применять инструменты, технологии и библиотеки Data Science при разработке решений на основе ИИ;
• применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
• использовать основные статистические методы анализа данных при решении профессиональных задач;
• реализовывать методы машинного обучения;
• использовать цифровые платформы анализа данных для решения профессиональных задач.

Вы будете владеть навыками:

• классификации и идентификации задач систем искусственного интеллекта в зависимости от особенностей проблемной и предметной областей;
• выбора методов и инструментальных средств искусственного интеллекта для решения задач в зависимости от особенностей проблемной области;
• сбора исходной информации и формирования требований к решению задач с использованием методов искусственного интеллекта;
• проведения анализа требований и определения необходимых классов задач машинного обучения;
• определения метрики оценки результатов моделирования и критериев качества построенных моделей;
• оценки и выбора используемых методов машинного обучения;
• проведения оценки и выбора инструментальных средств для решения поставленной задачи;
• разработки модели машинного обучения для решения задач;
• поиска данных в открытых источниках, специализированных библиотеках и репозиториях;
• подготовки и разметки структурированных и неструктурированных данных для машинного обучения;
• применения знаний о вариантах использования больших данных, определениях, словарях и эталонной архитектуре больших данных для эффективного извлечения, хранения, подготовки больших данных;
• обработки, удаленной, распределенной и объединенной аналитики, описания и управления качеством и достоверностью, использованием результатов анализа больших данных;
• решения прикладных задач и участия в реализации проектов в областях сквозных цифровых субтехнологий «Компьютерное зрение», «Обработка естественного языка», «Рекомендательные системы и системы поддержки принятия решений», «Распознавание и синтез речи»;
• решения прикладных задач и участия в реализации проектов в области перспективных сквозных цифровых субтехнологий искусственного интеллекта.