Университет ИТМО

Как не купить кота в мешке, или… квалифицированный
разработчик передает результат квалифицированному
заказчику

Краткосрочный курс повышения квалификации

 

О КУРСЕ

Программа «Как не купить кота в мешке, или… квалифицированный разработчик передает результат квалифицированному заказчику» коротко и емко расскажет простыми словами о сложных вещах. Каким может быть ваш путь от сбора данных до получения реального профита от владения этими данными? Всегда ли стоит идти проторенным путем, «пропиаренным» в медиа, или имеет смысл внимательней взглянуть на собственные потребности и противоречия? Как конкретно решить ту или иную задачу – возможно, вы не единственный, перед кем она стояла? Что сейчас на переднем крае в области больших данных и машинного обучения (БД и МО) и что из этого будет полезным для Вас? Является ли цифровая трансформация осознанным выбором или данью моде, нужна ли она именно вам и именно сейчас?

Программа рассчитана на сотрудников предприятий, вовлеченных в силу должностных обязанностей или призвания в процесс принятия и реализации стратегических решений по цифровым преобразованиям в своей организации. Данный курс позволит им детальнее и четче представить возможный конечный облик бизнес-модели, или же процесс конкретной реализации уже принятых решений. Надеемся, что после освоенного материала станут очевиднее проблемы и противоречия, с которыми придется столкнуться, и методы их разрешения.

Слушатели, обладающие достаточным уровнем базовых знаний в области работы с большими данными и машинного обучения, получат компетенции и навыки для решения реальных проблем, возникающих при переходе от классической бизнес-модели к состоянию, когда цифровизация становится ее неотъемлемой частью.

Программа направлена на развитие у слушателей компетенций, описанных профессиональным стандартом «Специалист по большим данным» и проектом нового профессионального стандарта «Специалист по машинному обучению».

Программа повышения квалификации «Большие данные и машинное обучение для службы квалифицированного заказчика», подготовлена в Национальном центре когнитивных разработок Университета ИТМО – центре компетенции Национальной технологической инициативы по сквозной технологии «Технологии машинного обучения и когнитивные технологии».

 

Предусмотрена система скидок для сотрудников бюджетных организаций

 

Длительность программы

Программа рассчитана на 72 ак. ч.

Форма обучения — дистанционная.

Документ об образовании

После успешного обучения по данной программе выдается удостоверение о повышении квалификации установленного образца.

 

ПРОГРАММА КУРСА

ТЕМА 1
Как выбрать технологию работы с большими данными, и когда она действительно принесет пользу

  1. Определение и основные свойства больших данных. Когда данные становятся большими, кто и как их создает, и какие технологии для них нужны?
  2. Как правильно сформулировать прикладную задачу на больших данных: типовые ошибки при запросе предложений.
  3. Как правильно выбрать модели представления данных для конкретной области и почему технологии универсальные.
  4. Как правильно выбрать модели обработки данных, и как они зависят от возможностей ИТ-инфраструктуры компании?
  5. Плюсы и минусы распространенных рыночных решений в области больших данных: Apache НDFS, ClickHouse и Apache Spark.
  6. Практическое использование современных парадигм в задачах больших данных. Истории успеха: платформа машинного обучения для контрагентов крупных компаний, комплексная аналитика в силовых машинах, персональный ассистент автолюбителя и медсотрудника.
  7. Перспективные решения в области больших данных: что нужно учитывать в стратегических планах цифровой трансформации?

ТЕМА 2
Что может и что не может машинное обучение? Как не попасть в сеть иллюзий моделей на данных

  1. Основные термины машинного обучения. Феномен машинного обучения: что нужно, чтобы компьютер обучался решать задачи человека, и при каких условиях это действительно получится?
  2. Жизненный цикл машинного обучения: несколько простых шагов, чтобы обеспечить реальное внедрение разработки.
  3. Как выбрать модель и метод машинного обучения, или почему нейросеть не всегда хороша?
  4. Истории успеха: банковский скоринг, прогноз нефтедобычи и оценка наработки на отказ.
  5. Когда можно доверять результатам машинного обучения, и от чего зависит его качество?
  6. Как ускорить обучение моделей, если ваших данных недостаточно? Обучение переносом и синтетические данные.

ТЕМА 3
Неструктурированные данные в корпоративной практике: как использовать их эффективно, а не только эффектно

  1. Почему важно работать с неструктурированными данными компании (текст, изображения, видео)? Дополнительные эффекты и неизбежные проблемы.
  2. Формирование ценности неструктурированных данных: как извлечь, интерпретировать и применить новые знания?
  3. Как выбрать правильно модель обработки естественного языка (Natural Language Processing): типовые ошибки.
  4. Как быстро обучить тематическую языковую модель: создание ботов своими руками.
  5. Плюсы и минусы современных технологий для работы с неструктурированными данными: Spark, PyTorch, AirFlow.
  6. Истории успеха: токсичные посты сотрудников и оценка лояльности клиентов компании.

ТЕМА 4
Как противостоять старению и утере знаний в компании: автоматическое машинное обучение и генеративный дизайн

  1. Создание и актуализация корпоративных знаний с помощью технологий искусственного интеллекта: как научить модели на данных самостоятельно обновляться?
  2. Устаревание данных как угроза качеству моделей: как не потерять в точности и избежать систематических ошибок при прогнозировании.
  3. Готовность к неожиданностям: как сделать модель устойчивой к нестандартным изменениям данных.
  4. Как поддержать творческую активность специалиста за счет машинного интеллекта: генеративный дизайн.
  5. Истории успеха: адаптивная видеоаналитика, доходные кредиты и безопасные гавани.

ТЕМА 5
Машинное обучение без программиста: какие программные инструменты подходят для всех?

  1. Всегда ли нужен программист? Концепция no-code и low-code разработки приложений в области машинного обучения и обработки данных.
  2. Преимущества и недостатки современных инструментов работы с данными: функциональность, простота, гибкость, квалификация.
  3. Игра в разработку: визуальное программирование для задач машинного обучения.
  4. Робот вместо программиста. Утопия или реальность? Пределы автоматизации разработки приложений анализа данных.
  5. Истории успеха: цепочки поставок, маркетинг, финансы, розничная торговля, электронная коммерция.

ТЕМА 6
Как создавать цифровые двойники на основе машинного обучения: быстро и наглядно

  1. Как правильно выбрать класс цифрового двойника? Особенности цифровых двойников компаний.
  2. Кому и где нужны цифровые двойники? Стадии цифровой зрелости компании.
  3. Ядро цифрового двойника: модели, данные и их совместное использование.
  4. Как меняется стратегия развития компаний при использовании цифровых двойников: потоковое производство, нефтяная промышленность, транспорт, здравоохранение.
  5. Принятие решений на основе цифровых двойников: от аналитики - к прогнозированию на объективных данных.
  6. Формирование ценности цифрового двойника компании: оптимизация экономических показателей.
  7. Истории успеха: кадровое обеспечение крупного предприятия, производство топливных гранул, водоснабжение, «умный» город.

ТЕМА 7
Нормативная документация: еще одна ненужная бюрократия или компоненты “строительных лесов” для формирования коллектива единомышленников в БД и МО.

  1. Как выстроена иерархия нормативных документов? Но что опираться при разработке и применении продуктов на основе БД и МО и соответствующей документации?
  2. Терминологическая база: учимся говорить на одном профессиональном языке, когда речь идет о цифровых двойниках и ассистентах, системах поддержки принятия решений.
  3. Шаги выполнения НИР: что советуют документы?
  4. Цифровые объекты как результат интеллектуальной деятельности. Сертификация цифровых объектов.

 

СПИКЕРЫ

к.т.н., доцент факультета цифровых трансформаций, руководитель научно-исследовательской лаборатории "Когнитивные технологии в промышленности Университета ИТМО
Денис Насонов
к.т.н., доцент факультета цифровых трансформаций Университета ИТМО
Анна Калюжная
к.т.н., доцент факультета цифровых трансформаций Университета ИТМО
Сергей Иванов
к.т.н., доцент факультета цифровых трансформаций, разработчик платформы работы с цифровыми объектами DataMall
Николай Бутаков
д.т.н., доцент факультета цифровых трансформаций Университета ИТМО
Алексей Духанов

 

В случае возникновения вопросов, пожалуйста, обращайтесь по e-mail: nccr.edu@itmo.ru.

 

ЧТОБЫ ЗАПИСАТЬСЯ НА КУРС, ЗАПОЛНИТЕ, ПОЖАЛУЙСТА, ДАННУЮ ФОРМУ: