Результативность и способы оценки программы построены на основе компетентностного подхода.
Обучающиеся будут знать:
• Основные приницпы машинного обучения (обучение с учителем, обучение без учителя, обучение с подкреплением);
• Основы методологии CRISP DM, этапами создания проектов ИИ;
• Основы работы с Python;
• Методы работы с базовыми библиотеками анализа данных (numpy, pandas, matplotlib, SQLite);
• Основные сферы использования машинного обучения (анализ данных, компьютерное зрение, обработка естественного языка).
Обучающиеся будут уметь:
• Применять особенности использования ИИ для решения социальных и экономических проблем;
• Осуществлять предварительную обработку и визуализацию данных;
• Применять алгоритмы машинного обучения для решения задач классификации, кластеризации, уменьшения размерности, регрессии;
• Применять метрики для оценки эффективности работы алгоритма машинного обучения;
• Реализовывать возможности внедрения разработанных и обученных алгоритмов.
Кроме этого, обучающиеся овладеют процедурой самооценки знаний и смогут скорректировать свою дальнейшую деятельность по саморазвитию в области программирования.