PyTorch, Python, NumPy, Matplotlib, Scikit-learn, Keras, Machine Learning, Deep Learning

• Разбираться в основных понятиях и задачах Data Science
• Применять ключевые концепции сбора, подготовки, исследования и визуализации данных
• Использовать в работе современные методы машинного обучения
• Обрабатывать и анализировать большие данные

• Принимать правильные бизнес решения при помощи Data Science и Machine Learning
• Применять концепции сбора, подготовки, исследования и визуализации данных
• Использовать современные методы машинного обучения для решения задач прогнозирования и классификации данных
• Сегментировать большие объемы данных при помощи алгоритмов машинного обучения
• Работать с основными инструментами Data Science
• Строить системы машинного обучения на основе данных большого объема с использованием Big Data

• Основні типи задач штучного інтелекту.
• Алгоритми їх реалізації.
• Навчимось працювати із даними а також готувати їх до оптимального й максимально швидкого навчання машиною.
• Ми розберемось як працюють системи розпізнавання зображення, класифікації звуку, автономне керуваня авто та багато інших цікавих речей.
• Навчимо машину розуміти текст – побудуємо справжнього чат бота.

• Использовать нейронные сети для решения реальных задач компьютерного зрения, обработки естественного языка и прогнозирования временных рядов
• Пользоваться библиотекой Tensorflow и Keras API

• Научитесь решать задачи регрессии, классификации.
• Вы будете предсказывать цены реальной недвижимости, классифицировать и кластеризовать изображения.
• Познакомитесь с необходимыми разделами математики.
• Глубоко погрузитесь в мир искусственных нейронных сетей.
• В подробностях рассмотрите принципы их работы и их структуру.
• Вы будете глубоко разбираться в том, какие типы нейронных сетей подходят для решения конкретных задач.
• Научитесь их создавать, тренировать, валидировать и контролировать обучение.

• Опытом в математических вычислениях с использованием популярных пакетов Python, таких как NumPy или Scikit-Learn
• Знаниями как использовать линейные /нелинейные модели
• Как подготовить данные к построению моделей (feature engineering) Как обучать и оценивать эффективность моделей машинного обучения Как настраивать гиперпараметры модели и выбирать финальную модель Глубокое понимание моделей обучения c учителем и без, как пример линейная регрессия, логистическая регрессия, SVM, кластеризация и К ближайших соседей
• Представление о том, как на самом деле работает магия нейронных сетей, и сможете написать их самостоятельно
• Создание воспроизводимых machine learning pipelines
• Опыт применения изученых методов для решения реальных проблем
• Опыт построения API моделей машинного обучения.

• Работать с многомерными свёртками
• Управлять историей
• Реализовывать NLP с нуля
• State-of-art сегментации
• Отличать дескриминатор от генератора
• Строить языковые модели

• Понимать процесс создания 3D-моделей в кино и играх
• Передавать анатомию человека и животных
• Настраивать финальную сцену
• Работать в программах Autodesk Maya, ZBrush, Houdini, Foundry Mari, Substance Painter, Photoshop
• Делать общий скульптинг тела и прорабатывать отдельные детали образа
• Создавать реалистичные текстуры
• Создавать фрагменты окружения и растительности
• Вручную создавать процедурные ассеты
• Создавать персонажей с нуля
• Создавать high- и lowpoly-модели
• Делать бейкинг
• Рендер

• Настраивать свет и тени для модели
• Создавать Hard Surface модели
• Создавать модели в Houdini, Autodesk Maya и ZBrush
• Работать с текстурами, формой и цветом модели
• Реалистично передавать анатомию персонажа
• Анимировать объекты и персонажей
• Уверенно работать в Photoshop
• Делать процедурную анимацию

• Обработка изображений и классический Computer Vision
• Машинная и глубинное обучения (ML / DL) для задач компьютерного зрениявы
• Вы будете иметь четкое понимание, какие задачи можно решать с помощью компьютерного зрения, в каких доменах и бизнесах его можно использовать и какие ключевые инструменты лучше выбирать.

• Правильно проводить анализ рынка, конкурентов и формировать маркетинговую стратегию.
• Работать с метриками, проводить Сustomer development и UX research.
• Разрабатывать финансовую модель продукта.
• Формировать и актуализировать product spec и backlog.
• Определять самое важное и первостепенное, что нужно продукту.
• Работать со всеми инструментами, которые нужны Product Manager-у.
• Использовать практики дизайн-мышления, Lean и Бизнес-модель Canvas.

• Формулировать задачу для data science-проекта
• Подбирать алгоритмы и метрики под задачу для разных моделей
• Строить модели машинного обучения с помощью библиотеки Sklearn
• Оценивать качество моделей машинного обучения
• Интерпретировать результаты и составлять отчёт об исследовании

• Линейніе пространства
• Как наборы данных можно представить в виде множества векторов в многомерном векторном пространстве
• Типичные задачи в 2D и 3D пространствах
• Матрицы и для чего они нужны
• Применение линейной алгебры в алгоритмах SVM, линейной регрессии, сокращении размерности пространств
• Основы 3D/2D преобразований в задачах компьютерного зрения.