AI-школа Евгения Разинкова
29.01.2024 - 31.08.2024

Обо мне

Материалы курсов собраны на основе многолетнего опыта работы в области искусственного интеллекта, а именно:
  • 10 лет в ML в общей сложности
  • 9 лет преподавания в Казанском (Приволжском) федеральном университете в данной области
  • 11 курсов по ML созданных с нуля
  • 35+ выпущенных студентов, защитивших работу в области искусственного интеллекта
  • 30+ успешно завершенных проектов в ML
  • 12 человек в команде
  • 180+ YouTube лекций по искусственному интеллекту
  • 30 000+ часов материалов было просмотрено подписчиками за это время
О курсах
Курсы будут проходить в период с 29.01.2024 по 31.08.2024
на платформе school.razinkov.ai
Курсы состоят из базовой и продвинутой частей,
с наполнением которых вы можете ознакомиться ниже
Курсы базовой части
Курс
Math for AI
calculus:
function
function limit
logarithms
derivative
partial derivative
gradient
chain rule

probability theory:
discrete random variables
continuous random variables
probability function
probability density function
mean
variance and standard deviation
independent events
joint probability
conditional probability

algebra:
vectors
matrices
operation with vectors and matrices
determinant
Курс
Python for AI
basics recap:
git flow
project structure
code styling
documentation standards
decorators

data manipulation:
efficient math operations (numpy)
accelerating numerical computations (Numba)
exploratory data analysis (pandas)
performance speed optimization (Cython)

ML algorithms:
basic image/video processing (OpenCV)
high-level machine learning (scikit-learn)
deep dive into neural networks (PyTorch)
forefront NLP (Transformers)

data visualization:
visualization fundamentals (Matplotlib)
high-level plotting (Seaborn)
interactive visualizations (Plotly)
web-oriented tools (Bokeh)
geospatial data plotting (Vega-Altair)
Курс
AI: от основ до трансформеров
basics:
supervised learning
regression
regularization
classification
metrics
logistic regression
Курсы продвинутой части
Курс
ML Ops

data:

data management (MongoDB, ClickHouse, PostgreSQL)

data processing manipulations (EDA with Plotly Dash, Streamlit)


model:

model engineering: hyperparameters tuning (Optuna, Ray Tune)

prepare model for production (tracing, quantization, ONNX, TorchServe)


ML pipeline:

training/validation

evaluation logging

experiments tracking (Neptune.ai/MLflow)


serving:

deployment tools (Docker, FastAPI)

memory management and optimization

testing in MLOps scenarios (PyTest, Profilers)

Курс
Decision making in AI
task formulation
task analysis
data collection
data annotation
exploratory data analysis
proof of concept development
analysis of PoC results
improvement strategy
getting to the final result
presenting results
Курс
AI: от основ до трансформеров
basics:
supervised learning
regression
regularization
classification
metrics
logistic regression

intro to DL:
intro to deep learning
multilayer perceptron
backpropagation
deep learning mindset

CNNs:
convolutional neural nets
building convolutional architectures
residual networks
CNN training best practices

transformers:
attention mechanism in transformer
multi-head attention
properties of MHA
transformer encoder
transformer decoder
model interpretation
transformer training best practices
vision transformer
improving ViT
introduction to language models
large language models

Практика

  • Приватные соревнования на Kaggle
  • 2 уровня поддержки (дадим рекомендации по написанию кода или предоставим готовые шаблоны проектов с правильной структурой)
  • Обсуждение распространенных ошибок
  • Разбор не только стандартных задач ML, но и задач из реальной жизни
  • Работа с табличными данными, картинками и текстом
  • От логистической регрессии до машинного перевода
  • Эффективные и вычислительно стабильные реализации алгоритмов
Информацию о порядке оказания услуг и возврате средств можно найти в FAQ и в договоре-оферте