Искусственный
интеллект

20-23 октября

Отборы на интенсивы по искусственному интеллекту

Telegram Чат

Онлайн-курсы

Быстрый старт в искусственный интеллект

Искусственный интеллект — один из самых активно растущих секторов IT. Курс поможет войти в мир искусственного интеллекта, станет тем самым «быстрым стартом», который позволит познакомиться со сферой ИИ, а в дальнейшем начать исследования и/или карьеру в этой области.

Машинное обучение

Введение в машинное обучение
Линейные алгоритмы
Метрики машинного обучения
Алгоритмы машинного обучения. Выбор модели

Компьютерное зрение

Нейронные сети: основы
Сверточные нейронные сети
Практика: классификация картинок
Задачи компьютерного зрения
Популярные архитектуры (ResNet), дообучение

Обработка естественного языка

Обработка текста, статистики
Эмбеддинги
Рекуррентные нейронные сети
Машинный перевод
Диалоговые системы

Математические идеи в анализе данных и ИИ

Жадный алгоритм
Вероятностный подход
Эмпирические наблюдения
Подкрутка простых решений
Классификация с помощью подсчета статистик

Python для искусственного интеллекта

Курс поможет войти в мир программирования на Python. Слушатели познакомятся с базовыми аспектами этого языка для успешного программирования на начальном уровне. Пройдя этот курс, вы узнаете, в каких средах разработки программируют на Python и сможете выбрать для себя наиболее подходящую, разберётесь в работе с контейнерами и списками, узнаете, что такое циклы, множества и словари, поймёте, как реализовать свои функции и классы, как работать с .py и jupyter файлами, а также познакомитесь с некоторыми библиотеками языка Python.

Типы данных и операции с ними. Условный оператор

Сценарии работы с языком. Работа в средах jupyter и .py файлах
Установка Python. Установка jupyter lab
Установка anaconda. Установка VSCode
Целые и вещественные числа. Операции с ними
Булевые условия. Условный оператор

Строки. Контейнеры. Методы контейнеров

Строки и индексация в Python
Списки и методы
Кортежи и их методы

Циклы, множества и словари

Цикл while и for
Range. Zip. Enumerate
Множества и их методы
Словари и их методы

Функции и классы

Функции и их области видимости
Классы. Инкапсуляция, наследование, полиморфизм

Файлы. Работа в .py файлах. Модули. Синтаксический сахар

Работа с файлами. Менеджер управления контекстом
Декораторы. Атрибуты доступа классов
Написание своего модуля в виде .py файлов. Установка библиотек

Библиотека numpy, pandas, matplotlib

Numpy, установка библиотеки иее приемущества. Numpy массивы
Встроенные функции в numpy
Matplotlib, установка библиотеки и примеры использования

Отборы на интенсивы

20-23 октября

7 задач по математике

3 задачи по программированию

3 задачи по машинному обучению

2 задачи на анализ данных

Интенсивы

27 октября - 23 ноября 2022

Обучение пройдет в формате онлайн-лекций и работы над своим проектом. За время интенсивов будет прочитано более 10 лекций. Лекторы курса — преподаватели МФТИ и эксперты крупных IT-компаний. По результатам интенсивов лучшие студенты будут представлять жюри свои проекты.

24 окт - 23 ноя
>10 лекций
онлайн
Задача от Deep Learning School

В этой задаче участникам будет предложено на основе текста поста на медиуме определить его популярность — количество хлопки (claps). Хлопки — это аналог лайков на Medium, которые пользователи ставят посту, если он им понравился. Отличие хлопков от лайков в том, что один пользователь может ставить несколько хлопков к посту, а не только один.

Обучающие данные будут состоять из информации о постах, скачанных из интернета. Для каждого поста будет дан его заголовок, автор, текст и количество хлопков. Тестовые данные будут содержать ту же информацию, только без количества хлопков — этот параметр нужно будет предсказать. Участникам нужно будет обучить модель машинного обучения предсказывать количество хлопков для поста на основе обучающих данных, и в качестве ответа выдать количества хлопков для всех текстов из тестовой части датасета. Метрика оценки качества решения — MAE.

В процессе построения решения можно пользоваться любыми предобученными моделями. Дополнительные наборы данных, не предоставленные в задаче, использовать нельзя. Если вы используете предобученную модель, обязательно указывайте ее источник.

Задача от ИНИД

Это задача классического машинного обучения и text processing. Требуется построить алгоритм, который по описанию вакансии с сайта trudvsem.ru будет предсказывать среднюю зарплату, предлагаемую на этой вакансии.
Описание вакансии содержит множество полей: регион, компания, условия труда и социальные бонусы. Решение данной задачи поможет понять, насколько условия вакансии определяют зарплату и какие атрибуты наиболее влияют на размер компенсации.

Для решения задачи участникам будет предложен обучающий датасет в формате .csv, содержащий ~800-900 тысяч строк. В качестве решения нужно будет получить значения целевой переменной для тестовой части датасета. Конкурс будет проходить на платформе kaggle.

Задача от AIRI

Это задача о применении машинного обучения к классической задачи вычислительной квантовой химии. Требуется построить алгоритм, который по трехмерному представлению (конформации) молекулы будет предсказывать энергию.
Описание молекулы содержит типы входящих в неё атомов и соответствующие им трехмерные координаты. Решение данной задачи поможет ускорить и масштабировать квантово-химические расчёты и упростить задачи поиска медицинских препаратов.

Для решения задачи участникам будет предложен обучающий датасет в формате базы данных ASE database, содержащей ~130 тысяч записей. В качестве решения нужно будет получить значения целевой переменной (энергии молекулярной конформации) для тестовой части датасета. Конкурс будет проходить на платформе kaggle.

Чемпионат RuCode

26 ноября 2022

Чтобы принять участие в чемпионате, необходимо
1

Зарегистрироваться на сайте Rucode.net

2

Пройти отборы на интенсивы

3

Придумать решение одной или нескольких из предложенных задач

4

Представить свое решение на чемпионате 26 ноября!

Программа

10:00 — 10:20
Открытие чемпионата
10:00 — 10:20
Вступительная речь методистов
10:00 — 10:20
Выступление участников задачи ГК «Роскосмос»
10:00 — 10:20
Подведение итогов по задаче
10:00 — 10:20
Перерыв
10:00 — 10:20
Выступление участников задачи DLS
10:00 — 10:20
Подведение итогов по задаче

Методический блок

Юрий Яровиков
Юрий Яровиков

Заместитель заведующего лабораторией инноватики МФТИ
Руководитель Школы глубокого обучения МФТИ
Младший исследователь Института искусственного интеллекта AIRI

Татьяна Гайнцева
Татьяна Гайнцева

Исследователь в лаборатории LAMBDA (НИУ ВШЭ)
Data & AI Scientist в Philips
Преподаватель Deep Learning School (МФТИ)

Антон Астахов
Антон Астахов

Преподаватель школы глубокого обучения