Главная страницаКатегория другое (ии)Мастер-класс по современному ИИ: 6 Проектов

Мастер-класс по современному ИИ: 6 Проектов

Name: Мастер-класс по современному ИИ: 6 Проектов
Price: 12.5 USD
Rating: 4.7 (20 reviews)

Modern Artificial Intelligence Masterclass: Build 6 Projects

udemy

★4.7 (всего оценок - 20)

Продолжительность

15 ч 7 мин

Категория

Другое (ИИ)

Количество уроков

84 Видео

Дата добавления

4 нояб. 2020 г., 09:35

Язык

Английский

Дата выхода

13 нояб. 2020 г., 02:00

Дата обновления

29 апр. 2026 г., 08:49

Ищете современный, практический и прикладной курс по искусственному интеллекту?Этот мастер‑класс поможет быстро освоить ключевые направления ИИ через 6 реальных проектов, отражающих самые востребованные отраслевые сценарии.

Почему этот мастер‑класс по ИИ — отличный выбор

Курс объединяет теорию, практику и современные инструменты разработки ИИ‑решений. Контент сфокусирован на реальных задачах, которые востребованы в технологиях, бизнесе, здравоохранении и креативных индустриях. Такой подход помогает ученикам не только понять концепции, но и создать собственное портфолио проектов.

Кому подойдет курс

Начинающим специалистам, желающим войти в сферу ИИ;
Разработчикам и аналитикам, стремящимся прокачать навыки работы с ML и DL;
Бизнес‑пользователям, которые хотят применять ИИ в реальных задачах компании;
Студентам технических специальностей, готовящимся к работе с big data и нейросетями.

Что вы узнаете

Обучение охватывает полный цикл разработки ИИ‑решений: от обработки данных до развертывания модели в продакшен‑среде. Ключевые темы включают современные архитектуры, методы интерпретации моделей и практики генеративного ИИ.

Основные направления обучения

Машинное обучение: методы классификации, регрессии, кластеризации;
Глубокое обучение: сверточные и полносвязные нейросети;
Компьютерное зрение: распознавание эмоций, медицинские изображения;
Интерпретируемый ИИ (XAI): GradCam и визуализация внутренних слоев;
Генеративный ИИ: создание изображений и творчество с помощью нейросетей;
ML‑платформы: TensorFlow 2.0, AWS SageMaker, AutoPilot.

Как устроено обучение

Материал подается последовательно — от базовых принципов к углубленным техникам. Каждый модуль завершается практическим проектом, который закрепляет навыки и формирует портфолио ученика.

Практический формат

Работа с реальными наборами данных;
Поэтапные разборы архитектур моделей;
Самостоятельные мини‑проекты в каждом модуле;
Четкие инструкции по развертыванию моделей в AWS;
Оптимизация моделей и настройка гиперпараметров.

Описание 6 проектов курса

Каждый проект ориентирован на реальные бизнес‑кейсы и современные применения ИИ.

Проект 1 — Emotion AI

Вы научитесь определять эмоции пользователя и ключевые точки лица, используя методы компьютерного зрения.

Проект 2 — ИИ в медицине

Построение модели для обнаружения опухолей мозга на медицинских снимках и локализация областей аномалий.

Проект 3 — ИИ в бизнесе и маркетинге

Сегментация клиентов торгового центра с помощью автокодировщиков и алгоритмов неконтролируемого обучения.

Проект 4 — ИИ в финансах

Прогнозирование риска дефолта по кредитной карте с использованием XG‑Boost в AWS SageMaker AutoPilot.

Проект 5 — Креативный ИИ

Создание художественных изображений и изучение возможностей генеративных моделей.

Проект 6 — Объяснимый ИИ

Применение GradCam для визуализации работы нейросетей и анализа скрытых слоев модели.

Результаты обучения

После прохождения мастер‑класса вы сможете применять ИИ для решения прикладных задач, понимать ключевые архитектуры и самостоятельно разрабатывать модели. А главное — у вас будут 6 проектов в портфолио, демонстрирующих навыки, востребованные работодателями.

Вы сможете

Проектировать и обучать модели ML/DL;
Работать с TensorFlow и AWS SageMaker;
Создавать креативные и интерпретируемые решения на базе ИИ;
Применять ИИ в медицине, финансах и бизнесе;
Подготовить сильное портфолио для трудоустройства.

Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум

Урок 1. 00:03:20
Introduction and Welcome Message
Урок 2. 00:10:44
Introduction, Key Tips and Best Practices
Урок 3. 00:17:55
Course Outline and Key Learning Outcomes
Урок 4. 00:02:51
Project Introduction and Welcome Message
Урок 5. 00:11:16
Task #1 - Understand the Problem Statement & Business Case
Урок 6. 00:12:26
Task #2 - Import Libraries and Datasets
Урок 7. 00:09:36
Task #3 - Perform Image Visualizations
Урок 8. 00:16:52
Task #4 - Perform Images Augmentation
Урок 9. 00:07:45
Task #5 - Perform Data Normalization and Scaling
Урок 10. 00:20:33
Task #6 - Understand Artificial Neural Networks (ANNs) Theory & Intuition
Урок 11. 00:18:03
Task #7 - Understand ANNs Training & Gradient Descent Algorithm
Урок 12. 00:13:01
Task #8 - Understand Convolutional Neural Networks and ResNets
Урок 13. 00:12:46
Task #9 - Build ResNet to Detect Key Facial Points
Урок 14. 00:07:41
Task #10 - Compile and Train Facial Key Points Detector Model
Урок 15. 00:04:55
Task #11 - Assess Trained ResNet Model Performance
Урок 16. 00:12:01
Task #12 - Import and Explore Facial Expressions (Emotions) Datasets
Урок 17. 00:07:23
Task #13 - Visualize Images for Facial Expression Detection
Урок 18. 00:13:32
Task #14 - Perform Image Augmentation
Урок 19. 00:14:58
Task #15 - Build & Train a Facial Expression Classifier Model
Урок 20. 00:14:14
Task #16 - Understand Classifiers Key Performance Indicators (KPIs)
Урок 21. 00:13:36
Task #17 - Assess Facial Expression Classifier Model
Урок 22. 00:07:38
Task #18 - Make Predictions from Both Models 1. Key Facial Points & 2. Emotion
Урок 23. 00:10:02
Task #19 - Save Trained Model for Deployment
Урок 24. 00:04:25
Task #20 - Serve Trained Model in TensorFlow 2.0 Serving
Урок 25. 00:08:24
Task #21 - Deploy Both Models and Make Inference
Урок 26. 00:02:41
Project Introduction and Welcome Message
Урок 27. 00:16:35
Task #1 - Understand the Problem Statement and Business Case
Урок 28. 00:11:38
Task #2 - Import Libraries and Datasets
Урок 29. 00:20:45
Task #3 - Visualize and Explore Datasets
Урок 30. 00:10:38
Task #4 - Understand the Intuition behind ResNet and CNNs
Урок 31. 00:11:51
Task #5 - Understand Theory and Intuition Behind Transfer Learning
Урок 32. 00:21:08
Task #6 - Train a Classifier Model To Detect Brain Tumors
Урок 33. 00:09:05
Task #7 - Assess Trained Classifier Model Performance
Урок 34. 00:13:24
Task #8 - Understand ResUnet Segmentation Models Intuition
Урок 35. 00:14:21
Task #9 - Build a Segmentation Model to Localize Brain Tumors
Урок 36. 00:04:06
Task #10 - Train ResUnet Segmentation Model
Урок 37. 00:12:28
Task #11 - Assess Trained ResUNet Segmentation Model Performance
Урок 38. 00:02:11
Project Introduction and Welcome Message
Урок 39. 00:07:18
Task #1 - Understand AI Applications in Marketing
Урок 40. 00:13:51
Task #2 - Import Libraries and Datasets
Урок 41. 00:16:47
Task #3 - Perform Exploratory Data Analysis (Part #1)
Урок 42. 00:19:18
Task #4 - Perform Exploratory Data Analysis (Part #2)
Урок 43. 00:16:58
Task #5 - Understand Theory and Intuition Behind K-Means Clustering Algorithm
Урок 44. 00:08:48
Apply Elbow Method to Find the Optimal Number of Clusters
Урок 45. 00:15:55
Task #7 - Apply K-Means Clustering Algorithm
Урок 46. 00:10:33
Task #8 - Understand Intuition Behind Principal Component Analysis (PCA)
Урок 47. 00:08:40
Task #9 - Understand the Theory and Intuition Behind Auto-encoders
Урок 48. 00:13:05
Task #10 - Apply Auto-encoders and Perform Clustering
Урок 49. 00:02:40
Project Introduction and Welcome Message
Урок 50. 00:11:02
Task #1 - Understand the Problem Statement & Business Case
Урок 51. 00:04:47
Task #2 - Import Libraries and Datasets
Урок 52. 00:20:44
Task #3 - Visualize and Explore Dataset
Урок 53. 00:06:03
Task #4 - Clean Up the Data
Урок 54. 00:20:46
Task #5 - Understand the Theory & Intuition Behind XG-Boost Algorithm
Урок 55. 00:19:50
Task #6 - Understand XG-Boost Algorithm Key Steps
Урок 56. 00:07:54
Task #7 - Train XG-Boost Algorithm Using Scikit-Learn
Урок 57. 00:06:58
Task #8 - Perform Grid Search and Hyper-parameters Optimization
Урок 58. 00:07:16
Task #9 - Understand XG-Boost in AWS SageMaker
Урок 59. 00:14:26
Task #10 - Train XG-Boost in AWS SageMaker
Урок 60. 00:09:43
Task #11 - Deploy Model and Make Inference
Урок 61. 00:13:11
Task #12 - Train and Deploy Model Using AWS AutoPilot (Minimal Coding Required!)
Урок 62. 00:01:47
Project Introduction and Welcome Message
Урок 63. 00:11:14
Task #1 - Understand the Problem Statement & Business Case
Урок 64. 00:07:07
Task #2 - Import Model with Pre-trained Weights
Урок 65. 00:09:08
Task #3 - Import and Merge Images
Урок 66. 00:09:45
Task #4 - Run the Pre-trained Model and Explore Activations
Урок 67. 00:19:28
Task #5 - Understand the Theory & Intuition Behind Deep Dream Algorithm
Урок 68. 00:05:38
Task #6 - Understand The Gradient Operations in TF 2.0
Урок 69. 00:09:11
Task #7 - Implement Deep Dream Algorithm Part #1
Урок 70. 00:10:27
Task #8 - Implement Deep Dream Algorithm Part #2
Урок 71. 00:06:46
Task #9 - Apply DeepDream Algorithm to Generate Images
Урок 72. 00:07:21
Task #10 - Generate DeepDream Video
Урок 73. 00:01:51
Project Introduction and Welcome Message
Урок 74. 00:08:54
What is AWS and Cloud Computing
Урок 75. 00:09:26
Key Machine Learning Components and AWS Tour
Урок 76. 00:06:20
Regions and Availability Zones
Урок 77. 00:14:33
Amazon S3
Урок 78. 00:12:42
EC2 and Identity and Access Management (IAM)
Урок 79. 00:05:48
AWS Free Tier Account Setup and Overview
Урок 80. 00:09:15
AWS SageMaker Overview
Урок 81. 00:10:47
AWS SageMaker Walk-through
Урок 82. 00:08:42
AWS SageMaker Studio Overview
Урок 83. 00:07:00
AWS SageMaker Studio Walk-through
Урок 84. 00:11:04
AWS SageMaker Model Deployment

Автор - udemy

udemy

Udemy - одна из самых больших площадок в мире по доставке обучающего контента от разных авторов всего мира. Присутсвуют курсы практически на любую тему.

+198

Комментарии