Опис курсів

Courses overview / Швидкий огляд курсів

TRYE пропонує чотири курси:

Програмування у Python
Data Science
Machine Learning
Artificial Intelligence

Програмування у Python є базовим курсом, знання з якого необхідні для проходження інших трьох курсів. Цей курс передбачає самостійне навчання і є безкоштовним. XXX Решта курсів є спеціалізованними курсими.

Після того, як студент опанував базові навички з програмування у Python, він або вона може долучитись до будь-якого наступного курсу.

Вартість: безкоштовно

Тривалість: в середньому 2-4 тиждні (за умовою навчання 3-4 рази на тиждень по 1-2 години)

Тип навчання: самостійно

Матеріали: відео-лекції у YouTube, завдання для самоперевірки та додаткові матеріали у Google Colab

Навчальний план:

Що таке програмування?

Код – це перелік команд у текстовому форматі

Python як мова програмування

Python як калькулятор

Google Colaboratory: програмуй у своєму браузері

Що таке клітини коду
Як додати нову клітину
Як виконати/запустити код у клітині
Як зберігти зошит

Змінні, оператори та функції

Порядок виконання має значення
Що таке namespace?

Синтаксис (правила написання) коду у Python

Один рядок – один statement
Блоки коду та відступи
Коментарі в коді

Типи скалярних змінних

Вбудованні структури даних

list
dict
set

Керівні конструкції (control structures)

Умовні переходи if/else
for цикли (loop)

Функції

Умовні переходи if/else
for цикли (loop)

Що таке бібліотека (library) для Python?

NumPy

ndarray
Як створити ndarray?
Індексація та slicing в ndarray
Арифметика ndarray

Початки візуалізації з seaborn

Що робити коли код не працює?

Що таке налагодження (debugging)?
Як подивитись документацію?
Як написати запит у Google?
Що таке Stackoverflow?
Як використати ChatGPT?

Вартість: 100 евро за місяць навчання

Тривалість: 3 місяці

Тип навчання: у групах

Матеріали: живі лекції, завдання для самоперевірки та додаткові матеріали у Google Colab, проєкти

Перед кожною лекцією, студент отримає перелік тем з курсу Програмування у Python, які необхідні для розуміння лекції.

Навчальний план:

Основні етапи data science проєкту

Циклічність ніж лінійність (крок за кроком)
Софт для data science
Історія data science та сучасні професії
Приклади data science проєктів

Основні поняття в data science

Значення, змінна, таблиця
Типи змінних: числові та категоріальні
Бібліотека pandas та її основні об’єкти

Трансформація даних (data transformation and wrangling)

Pivot long
Join

Очищення даних (data cleaning)

Відсутні дані (missing values), їх фільтрація та заповнення
Видалення повторюваних даних
V
Регулярні вирази (regular expressions) та їх генерація за допомогою ChatGPT

Розвідковий (може пошуковий?) аналіз даних: описова статистика (EDA: descriptive statistics)

Описова статистика однієї змінної
- Числова змінна
- Категоріальна змінна
Описова статистика двох змінних (таблиця спряженості (contingency table))
Зв’язок з очищенням даних

Розвідковий (може пошуковий?) аналіз даних: візуалізація даних (EDA: data visualization)

Візуалізація однієї змінної
- Гістограма
- Стовчиковий графік (Bar plot)
Візуалізація зв’язку між двома змінними
- Точковий графік (Scatter plot)
- Стовчиковий графік (Bar plot)
- Коробковий графік (Box plot)
- Теплокарта (heatmap)

Підтверджуючий аналіз даних (сonfirmatory data analysis) та моделювання

Hypothesis testing
t-test
Purpose of models: to predict or to explain
Linear regression

Example of end-to-end data science project

Markdown and reporting with Quatro

Вартість: 100 евро за місяць навчання

Тривалість: 3 місяці

Тип навчання: у групах

Матеріали: живі лекції, завдання для самоперевірки та додаткові матеріали у Google Colab, проєкти

Навчальний план:

Machine Learning

Типи машинного навчання: supvervised learning, unsupervised learning, reinforcement learning
Основні поняття машинного навчання: значення (values), змінні (variables) та властивості (features),
Типи змінних

Data preprocessing

Supervised learning

Classification task
- k-nearest neighbors algorythm
- Logistic regression
- Support vector machines
- Decision trees
- Neural networks
- Random Forest
Regression task
- Linear regression
- Regression trees
- XGBoost
Функції втрат (loss function) та метрики (metrics)
Splitting strategies: Перехресне затверджування (сross-validation)

Unsupervised learning

K-means as clustering

Вартість: 100 евро за місяць навчання

Тривалість: 3 місяці

Тип навчання: у групах

Матеріали: живі лекції, завдання для самоперевірки та додаткові матеріали у Google Colab, проєкти

Навчальний план

Що таке artificial intellegence?

Визначення AI
Що вже вміє AI та його використання
- Рекомендаційні системи Netflix, Spotify, та YouTube
- Классифікація зображень
- Безпілотні автівки
- Генерація зображень так тектсу: Midjourney, Stability AI, DALL-E, ChatGPT, тощо
(Artificial Intellegence, Machine Learning, and Deep Learning)
(Supervised vs unsupervsed learning)
Використання AI моделей у коді: OpenCV та Hugging Face API

Штучні нейронні мережі

Що таке штучний нейрон і як він працює?
Щільні (повноз’єднані) шари та глибоке навчання (deep learning)
Як проходить навчання та що таке функція втрат (loss function)
Метод зворотного поширення помилки (backpropogation)
Дані MNIST
Будуємо нейронну пережу за допомогою бібліотеки keras

Machine learning workflows / Тренування нейронних мереж

Параметри та гіперпараметри (Parameters and hyperparameters)
Перенавчання та недонавчання (overfitting and underfitting)
Дані для навчання, перевірки та тестування (Training, validation, and test sets)
Перехресне затверджування (cross-validation)
Пошук по ґратці (grid search) та випадковий пошук (randomized search)

Згорткові нейронні мережі та комп’ютерний зір (Convolutional neural networks and computer vision) / Глибоке навчання для зображень

Представлення зображень в цифровому вигляді
Згорткові шари (convolutional layers), мапа властивостей (feature map) рецептивні поля (receptive fields)
Об’єднуючий шари (pooling layers)
Згорткові нейронні мережі
Попередньо підготовлені моделі (pretrained models)
Передача навчання (transfer learning) та тонке налаштування (fine-tuning)

Обробка природної мови (Natural language processing)

Представлення тексту за допомогою унітарного коду (one-hot encoding)
Рекурентні нейронні мережі (recurrent neural networks)
Шари LSTM та GRU
Трансформери