Передовые технологии ИИ в исследованиях и разработках (R&D)
Это не просто курс, а проектная лаборатория прикладного ИИ: создайте ИИ-агента, аналитическую модель или ML-решение под ваш уровень и задачи
Старт обучения – 9 апреля
Бесплатно для сотрудников и студентов ЮФУ
Количество мест ограничено!
2.0
Инженер или технолог
Хотите автоматизировать контроль качества
преподаватель или Исследователь
Хотите быстрее работать с данными и использовать ИИ для задач исследований и образования
Руководитель разработок (R&D), аналитик или руководитель проекта
Вам нужны точные прогнозы для принятия решений
Студент IT-направления или молодой специалист
Хотите собрать рабочий прототип под реальную задачу и пополнить портфолио
Этот курс для вас, если вы:
Выберите трек под свою задачу
Автоматизация без кода
Если вы хотите создать ИИ-агента, способного самостоятельно выполнять цепочки задач
→ Определяете задачу: поиск информации, анализ текста, чат бот, интеграция с внешними сервисами.
→ Собираете прототип ИИ-агента и проверяете, как он работает в вашем процессе.
→ Определяете задачу: поиск информации, анализ текста, чат бот, интеграция с внешними сервисами.
→ Собираете прототип ИИ-агента и проверяете, как он работает в вашем процессе.
01
Что нужно знать до старта?
Опыт использования больших языковых моделей (ChatGPT, GigaChat и д.р.): вы умеете составлять промпты, понимаете их возможности и ограничения
Опыт использования больших языковых моделей (ChatGPT, GigaChat и д.р.): вы умеете составлять промпты, понимаете их возможности и ограничения
Итог: ИИ‑агент с базой знаний (RAG) | с внешними действиями | обучающего | мультиязычного
Аналитика без кода
Подойдет, если вы хотите собирать модели без программирования:
→ Работа с табличными данными (CSV, Excel).
→ Изучаете структуру данных, находите закономерности, очищаете и готовите данные.
→ Работа с табличными данными (CSV, Excel).
→ Изучаете структуру данных, находите закономерности, очищаете и готовите данные.
Итог: отчет с визуализациями и работающая аналитическая модель
02
Что нужно знать до старта?
Базовые знания статистики и корреляций, опыт работы с таблицами; умение читать графики.
Базовые знания статистики и корреляций, опыт работы с таблицами; умение читать графики.
Машинное обучение на Python
Если вы уверенно работаете с кодом и хотите полный контроль над моделями:
→ Для разных типов данных: таблицы, тексты, изображения, временные ряды.
→ Формулируете задачу, готовите данные, обучаете и сравниваете модели.
→ Для разных типов данных: таблицы, тексты, изображения, временные ряды.
→ Формулируете задачу, готовите данные, обучаете и сравниваете модели.
Итог: модель для предсказания | классификации | выявления рисков | распознавания | повышения качества
03
Что нужно знать до старта?
Владение Python: понимание базовых принципов машинного обучения; опыт работы с датасетами; практический опыт с ML-библиотеками
Владение Python: понимание базовых принципов машинного обучения; опыт работы с датасетами; практический опыт с ML-библиотеками
Как программа решит ваши задачи
Получите пошаговую систему для внедрения ИИ в ваши реальные процессы: от постановки задачи до работающего прототипа
Применяете разные нейросети, но не видите реальной пользы автоматизации
ИИ-эксперименты без результата
Автоматизируйте рутину и сложные задачи с помощью ИИ агентов, даже если вы не программист.
Внедрение ИИ кажется сложным, долгим и требует целой команды разработчиков
ИИ-агенты не только для айтишников
Вы соберете прототип именно под свою задачу: модель на Python, визуальный анализ данных без кода или ИИ-ассистент для рутинных процессов
Кажется, что ИИ-модели далеки от ваших задач
ИИ не работает
Рабочий результат под вашу задачу: ИИ агента | отчет с визуализациями | аналитическую модель | ML-модель
Четкое описание решения для внедрения: документ проекта c ограничениями и рекомендациями по использованию ИИ в исследованиях или разработках.
Навык полного цикла: от исходных данных и задач до готового ИИ-прототипа, который можно повторить на новом проекте.
Четкое описание решения для внедрения: документ проекта c ограничениями и рекомендациями по использованию ИИ в исследованиях или разработках.
Навык полного цикла: от исходных данных и задач до готового ИИ-прототипа, который можно повторить на новом проекте.
Что вы получите в финале?
Готовый проект и навык внедрения ИИ
Собрать прототип под свою задачу: ИИ агента, аналитический отчет (визуализацию) или модель на Python
Проектировать прикладные ИИ-решения — от идеи до финального прототипа.
Проектировать прикладные ИИ-решения — от идеи до финального прототипа.
ВЫ СМОЖЕТЕ:
Подбирать оптимальный способ решения для каждой задачи: код или готовые нейросети
Создавать ИИ решения без программирования с использованием ИИ-платформ: Open WebUI, Obsidian, n8n, Cursor, Orange и KNIME
Использовать вайбкодинг и создавать прототипы через диалог с ИИ без ручного написания кода
Применять современные библиотеки Python для анализа данных, обработки текстов, компьютерного зрения и обучения агентов
Создавать ИИ решения без программирования с использованием ИИ-платформ: Open WebUI, Obsidian, n8n, Cursor, Orange и KNIME
Использовать вайбкодинг и создавать прототипы через диалог с ИИ без ручного написания кода
Применять современные библиотеки Python для анализа данных, обработки текстов, компьютерного зрения и обучения агентов
ВЫ НАУЧИТЕСЬ:
В этом помогут наши эксперты
Мы пригласили лучших специалистов в сфере ML поделиться с вами своим профессиональным опытом.
Кристина Желтова
- Директор по разработке моделей, Газпромбанк
- Преподаватель курсов по машинному обучению и анализу данных в Университете ИТМО, УрФУ, ЧелГУ.
- Эксперт программы «ML Engineering» Karpov Courses.
Владислав
Каламбет
Каламбет
- Эксперт РКСИ — «Ростовский-на-Дону колледж связи и информатики»
- Преподаватель, автор курсов по ИИ и машинному обучению, Южный федеральный университет
Алексей Цимбаленко
- Начальник отдела системной интеграции Управления информационных технологий Южного федерального университета
Александр
Гуда
Гуда
- Доктор физико-математических наук
- Доцент Международного исследовательского института интеллектуальных материалов, Южный федеральный университет
Сергей Дубровский
- Эксперт исследовательского центра искусственного интеллекта ИОН РАНХиГС
- Соруководитель программы бакалавриата «Цифровые коммуникации и искусственный интеллект»
Полина Басина
- Аналитик лаборатории прикладного анализа больших данных НИ ТГУ.
- Более 4 лет работает в анализе данных.
- Преподаватель и разработчик образовательных курсов «Интеллектуальный анализ больших данных», «Обработка данных на естественном языке»
Модули программы
Осваивайте инструменты и сразу применяйте для решения своих задач
Живые вебинары, практика и обратная связь от экспертов на каждом этапе. Итог прохождения программы — готовый к внедрению ИИ-прототип и его презентация.
Живые вебинары, практика и обратная связь от экспертов на каждом этапе. Итог прохождения программы — готовый к внедрению ИИ-прототип и его презентация.
Общая длительность — 72 академических часа.
Разберем траектории внедрения ИИ и результаты: создание ИИ-агентов, аналитика и визуализации, ML-модели. Как избежать типичных ошибок в исследованиях и разработках и довести ИИ-проект до работающего результата.
08 апреля, 17:00—19:00 Вводный вебинар «С чего начать: как выбрать и сформулировать свой ИИ проект под ваши данные и задачи»
Разбираем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограничения и риски проектов с кодом и без кода.
Выполняем задание: заполняем чек-лист выбора траектории, формулируем задачу и цели под свой проект, определяем риски.
Разбираем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограничения и риски проектов с кодом и без кода.
Выполняем задание: заполняем чек-лист выбора траектории, формулируем задачу и цели под свой проект, определяем риски.
Разбираем темы: классы ИИ-моделей, оценка качества (точность, метрики, интерпретируемость), сценарии автоматизации
Выполняем задание: проектируем архитектуру ИИ-решения (от входных данных до результата).
Выполняем задание: проектируем архитектуру ИИ-решения (от входных данных до результата).
Консультации по проектам:
13 мая, 17:00 – 18:00 по траектории «Машинное обучение на Python»
14 мая, 17:00 – 18:00 по траектории «Аналитика без кода»
15 мая, 17:00 – 18:00 по траектории «Автоматизация без кода»
20 мая, 17:00 – 18:00 вебинар по траектории «Машинное обучение на Python»
21 мая, 17:00 – 18:00 вебинар по траектории «Аналитика без кода»
22 мая, 17:00 – 18:00 вебинар по траектории «Автоматизация без кода»
Выполняем задание: запускаем работу в выбранной траектории, строим прототип, очищаем и анализируем данные, дорабатываем и тестируем ИИ-решение.
13 мая, 17:00 – 18:00 по траектории «Машинное обучение на Python»
14 мая, 17:00 – 18:00 по траектории «Аналитика без кода»
15 мая, 17:00 – 18:00 по траектории «Автоматизация без кода»
20 мая, 17:00 – 18:00 вебинар по траектории «Машинное обучение на Python»
21 мая, 17:00 – 18:00 вебинар по траектории «Аналитика без кода»
22 мая, 17:00 – 18:00 вебинар по траектории «Автоматизация без кода»
Выполняем задание: запускаем работу в выбранной траектории, строим прототип, очищаем и анализируем данные, дорабатываем и тестируем ИИ-решение.
Вебинары:
10 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
11 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
12 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
Консультации по проектам:
17 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
18 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
19 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
30 июня, 17:00—19:00 — Защита проектов по трем траекториям
10 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
11 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
12 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
Консультации по проектам:
17 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
18 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
19 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
30 июня, 17:00—19:00 — Защита проектов по трем траекториям
Модули программы
Осваивайте инструменты и сразу применяйте для решения своих задач. Живые вебинары, практика и обратная связь от экспертов на каждом этапе. Итог прохождения программы — готовый к внедрению ИИ-прототип и его презентация.
Разберем траектории внедрения ИИ и результаты: создание ИИ-агентов, аналитика и визуализации, ML-модели. Как избежать типичных ошибок в исследованиях и разработках и довести ИИ-проект до работающего результата.
08 апреля, 17:00—19:00 Вводный вебинар «С чего начать: как выбрать и сформулировать свой ИИ проект под ваши данные и задачи»
Разбираем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограничения и риски проектов с кодом и без кода.
Выполняем задание: заполняем чек-лист выбора траектории, формулируем задачу и цели под свой проект, определяем риски.
Разбираем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограничения и риски проектов с кодом и без кода.
Выполняем задание: заполняем чек-лист выбора траектории, формулируем задачу и цели под свой проект, определяем риски.
Разбираем темы: классы ИИ-моделей, оценка качества (точность, метрики, интерпретируемость), сценарии автоматизации
Выполняем задание: проектируем архитектуру ИИ-решения (от входных данных до результата).
Выполняем задание: проектируем архитектуру ИИ-решения (от входных данных до результата).
Консультации по проектам:
13 мая, 17:00 – 18:00 по траектории «Машинное обучение на Python»
14 мая, 17:00 – 18:00 по траектории «Аналитика без кода»
15 мая, 17:00 – 18:00 по траектории «Автоматизация без кода»
20 мая, 17:00 – 18:00 вебинар по траектории «Машинное обучение на Python»
21 мая, 17:00 – 18:00 вебинар по траектории «Аналитика без кода»
22 мая, 17:00 – 18:00 вебинар по траектории «Автоматизация без кода»
Выполняем задание: запускаем работу в выбранной траектории, строим прототип, очищаем и анализируем данные, дорабатываем и тестируем ИИ-решение.
13 мая, 17:00 – 18:00 по траектории «Машинное обучение на Python»
14 мая, 17:00 – 18:00 по траектории «Аналитика без кода»
15 мая, 17:00 – 18:00 по траектории «Автоматизация без кода»
20 мая, 17:00 – 18:00 вебинар по траектории «Машинное обучение на Python»
21 мая, 17:00 – 18:00 вебинар по траектории «Аналитика без кода»
22 мая, 17:00 – 18:00 вебинар по траектории «Автоматизация без кода»
Выполняем задание: запускаем работу в выбранной траектории, строим прототип, очищаем и анализируем данные, дорабатываем и тестируем ИИ-решение.
Вебинары:
10 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
11 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
12 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
Консультации по проектам:
17 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
18 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
19 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
30 июня, 17:00—19:00 — Защита проектов по трем траекториям
10 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
11 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
12 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
Консультации по проектам:
17 июня, 17:00 — 18:00 по траектории «Машинное обучение на Python»
18 июня, 17:00 — 18:00 по траектории «Аналитика без кода»
19 июня, 17:00 — 18:00 по траектории «Автоматизация без кода»
30 июня, 17:00—19:00 — Защита проектов по трем траекториям
Примеры кейсов по траекториям обучения
Предсказать отток клиентов онлайн-сервиса
Загружена база в Orange, проведена очистка и подготовка данных. Обучено несколько моделей машинного обучения, проведено сравнение их точности.
Задача
Решение
Результат
Аналитика без кода
Отчет с визуализацией факторов, влияющих на отток, и автоматический прогноз для новых клиентов
анализ результатов опроса сотрудников
В Orange собран пайплайн: импорт данных, визуализация распределений, обучение модели для классификации «доволен/недоволен».
Задача
Решение
Результат
Аналитика без кода
Дашборд с прогнозами и факторными диаграммами для HR-отдела.
Автоматизировать подготовку лекций
Собран ассистент без кода, который по теме подбирает источники, составляет план, предлагает изображения и оформляет структуру занятия.
Задача
Решение
Результат
Автоматизация без кода
Экономия времени преподавателя и готовый «скелет» лекции за 5−10 минут.
Поиск литературы и авто-конспектЫ
Интегрирована большая языковая модель без кода: загружаются PDF, извлекается нужный фрагмент, генерируется краткий конспект, добавляются релевантные ссылки.
Задача
Решение
Результат
Автоматизация без кода
Экономия времени на подготовку к НИР и написанию статей.
ПОИСК СИНОНИМОВ И ОПРЕДЕЛЕНИЙ НА АНГЛИЙСКОМ И АРАБСКОМ ЯЗЫКАХ
Создан бот для мессенджера на облачной платформе: для английских слов агрегирует данные из двух словарей без дублей, для арабских — формирует прямую ссылку на специализированный словарь.
Задача
Решение
Результат
Автоматизация без кода
Доля успешных ответов составляет 90%, несколько источников обеспечивают полноту данных.
ОТВЕТЫ НА ВОПРОСЫ ПО БАЗЕ ЗНАНИЙ С ВОЗМОЖНОСТЬЮ ЕЕ ПОПОЛНЕНИЯ
Создана локальная база знаний. Настроен помощник с поиском: векторизация, подготовка ответов через облачную и локальную языковые модели. Автоматическое добавления новых материалов в базу знаний через бота.
Задача
Решение
Результат
Автоматизация без кода
80−100% найденных ответов с источниками на тестовых запросах.
ВЫЯВЛЕНИЕ МОШЕННИЧЕСКИХ ОПЕРАЦИЙ В Банке
Построена модель обнаружения мошенничества на данных с сильным дисбалансом классов. Применены методы балансировки, масштабирования и сравнения.
Задача
Решение
Результат
Машинное обучение на Python
Служба безопасности может оперативно блокировать подозрительные операции.
КЛАССИФИКАЦИЯ ВИДОВ РАСТЕНИЙ по цветкам
Реализован полный процесс машинного обучения: очистка данных, обработка выбросов, масштабирование признаков, сравнение пяти алгоритмов, выбор лучшей модели, оценка важности параметров.
Задача
Решение
Результат
Машинное обучение на Python
Автоматическое определение вида растения с точностью 97%, выявлены наиболее значимые параметры — размеры лепестков.
предсказать реакцию организма на вещество
Очищены и структурированы экспериментальные данные, построена ML-модель для анализа эффекта соединений.
Задача
Решение
Результат
Машинное обучение на Python
Инструмент ускоряет работу биологов и фармацевтов.
ПРЕДСКАЗАНИЕ УВОЛЬНЕНИЯ СОТРУДНИКОВ
В программе визуального анализа на основе кадровых данных построено несколько моделей. Лучший результат — точность предсказаний около 90%.
Задача
Решение
Результат
Аналитика без кода
Модель помогает отделу кадров вовремя выявлять сотрудников с риском увольнения и принимать меры для их удержания
ОПРЕДЕЛЕНИЕ СТАДИИ ХИМИЧЕСКОЙ РЕАКЦИИ ПО ЦВЕТУ
Собраны данные о изменении цвета реактива во времени. Обучены модели, которые могут распознать три стадии реакции: начальную, активную и завершающую.
Задача
Решение
Результат
Аналитика без кода
Модель точно определяет фазы реакции и подходит для автоматического контроля в лабораторных приборах.
быстро разбирать сотни анкет и опросов
Построена модель классификации текстов, которая автоматически делит ответы по категориям.
Задача
Решение
Результат
Машинное обучение на Python
Исследователь тратит минуты, а не недели, и сразу видит общую картину
ЗАПИСЬ ВебинарА
«Под капотом ИИ: ошибки, которые мешают получить результат»
ИИ — не магия. Это инструмент. И мы научим им пользоваться!
- Покажем, как эффективно сделать следующий шаг и перейти от применения нейросетей к более качественным и персональным ИИ-решениям.
- Разберем типичные ошибки при создании ИИ-агентов, аналитике и визуализациях, использовании машинного обучения.
- Проанализируем успешные кейсы выпускников лаборатории и ответим на ваши вопросы в прямом эфире.
Как проходит обучение
Пошаговый маршрут — от постановки задачи до защиты проекта. Все для вашего результата: учитесь без отрыва от работы и сразу внедряйте
Гибкий онлайн-формат
Не нужно подстраиваться под расписание
- Смотрите лекции и делаете задания в любое удобное время
- Живые онлайн-встречи с экспертами для разбора сложных тем и ответов на ваши вопросы (записи сохраняются)
- Закрытый чат с кураторами и экспертами для быстрой помощи и обмена опытом 24/7
Практика на реальном проекте
Вместо теории — вы получите работающий инструмент
- С первого дня вы работаете над своим кейсом или выбираете проект из предложенных датасетов
- Пошаговый план-конструктор проведет вас от идеи до готового прототипа
- Выберите свой путь: пишите код или соберите решение без программирования
Персональная траектория и поддержка
Мы не бросаем вас один на один с данными и кодом
- Вы всегда видите, что сделали и что делать дальше
- Развернутая обратная связь по каждому этапу вашего проекта. Не просто «верно/неверно», а «как сделать сильнее»
- Мы помогаем сделать так, чтобы ваша модель не легла на полку, а начала приносить пользу.
Стоимость обучения
Мы подготовили два тарифа, чтобы каждый смог получить максимум пользы: «Стандарт» — для тех, кто хочет пройти путь в группе, и «Премиум» — для тех, кому важно персональное сопровождение
48 000₽
Для тех, кому нужен гарантированный результат и персональное внимание
Тариф «Премиум»
Доступ ко всем материалам
Участие в живых сессиях с экспертами
Удостоверение о повышении квалификации
Поддержка в общем чате с кураторами и экспертами
Участие в защите проектов
Личные консультации с экспертами и наставниками для проработки вашего кейса
Приоритетная проверка домашних заданий
Помощь в настройке и отладке вашего ИИ-решения
Участие в живых сессиях с экспертами
Удостоверение о повышении квалификации
Поддержка в общем чате с кураторами и экспертами
Участие в защите проектов
Личные консультации с экспертами и наставниками для проработки вашего кейса
Приоритетная проверка домашних заданий
Помощь в настройке и отладке вашего ИИ-решения
28 000₽
Для тех, кто хочет пройти весь путь самостоятельно в группе
тариф «СТАНДАРТ»
Доступ ко всем материалам
Участие в живых сессиях с экспертами
Удостоверение о повышении квалификации Поддержка в общем чате с кураторами и экспертами
Участие в защите проектов
Участие в живых сессиях с экспертами
Удостоверение о повышении квалификации Поддержка в общем чате с кураторами и экспертами
Участие в защите проектов
Отзывы выпускников программы
м.н.с. экономического факультета ЮФУ
Главная сложность в сфере машинного обучения — это не сама математика, стоящая за моделями, а уверенное понимание:
1) как эти модели соотносятся с вашими данными;
2) что можно, а что нельзя делать с моделями с учетом ваших задач и всевозможных ограничений.
Программа мне понравилась тем, что она не просто описывает инструменты, а то, как их правильно применять, с учетом методологических и этических пределов, и в контексте современной индустриальной практики. На это были рассчитаны задания программы: формирование понимания того, что вы делаете, еще на этапе обработки данных и постановки задач; на умение мыслить контрфактуально. Это очень ценно!
Главная сложность в сфере машинного обучения — это не сама математика, стоящая за моделями, а уверенное понимание:
1) как эти модели соотносятся с вашими данными;
2) что можно, а что нельзя делать с моделями с учетом ваших задач и всевозможных ограничений.
Программа мне понравилась тем, что она не просто описывает инструменты, а то, как их правильно применять, с учетом методологических и этических пределов, и в контексте современной индустриальной практики. На это были рассчитаны задания программы: формирование понимания того, что вы делаете, еще на этапе обработки данных и постановки задач; на умение мыслить контрфактуально. Это очень ценно!
Гриднев Данил
Инженер-исследователь МИИ ИМ ЮФУ
Спасибо огромное за возможность пройти курс о внедрении передовых технологий ИИ в реальные разработки. Особенно ценно было то, что под руководством преподавателей можно было применять изучаемые методы сразу к своему реальному исследованию, а не к учебным кейсам.
Не имея большого опыта в использовании ИИ в научных исследованиях, я также высоко оценила, что курс очень гибкий и предлагает задания под любой уровень подготовки.
Спасибо огромное за возможность пройти курс о внедрении передовых технологий ИИ в реальные разработки. Особенно ценно было то, что под руководством преподавателей можно было применять изучаемые методы сразу к своему реальному исследованию, а не к учебным кейсам.
Не имея большого опыта в использовании ИИ в научных исследованиях, я также высоко оценила, что курс очень гибкий и предлагает задания под любой уровень подготовки.
Инженер-Программист/ФГУП РНИИРС
Интересный курс. Включает в себя обзор актуальных методов машинного обучения. Подача материала структурирована и последовательна.
За компактное количество семинаров было рассмотрено достаточное количество направлений и технологий. Советую курс для тех, кто хотел бы ознакомиться с таким перспективным направлением, как машинное обучение.
Интересный курс. Включает в себя обзор актуальных методов машинного обучения. Подача материала структурирована и последовательна.
За компактное количество семинаров было рассмотрено достаточное количество направлений и технологий. Советую курс для тех, кто хотел бы ознакомиться с таким перспективным направлением, как машинное обучение.
Ляшенко Кирилл
Доцент Военного учебного центра при ЮФУ
«Программа оказалась для меня исключительно полезной. Больше всего понравился ее прикладной характер: мы рассматривали реальные кейсы внедрения ИИ в научные и инженерные проекты.
Особенно помогло изучение инструментов для автоматизации сбора и анализа данных. Это позволило мне значительно ускорить предварительный этап моего исследования»
«Программа оказалась для меня исключительно полезной. Больше всего понравился ее прикладной характер: мы рассматривали реальные кейсы внедрения ИИ в научные и инженерные проекты.
Особенно помогло изучение инструментов для автоматизации сбора и анализа данных. Это позволило мне значительно ускорить предварительный этап моего исследования»
Сухинин В.В.
Преподаватель кафедры конституционализма юридического факультета ЮФУ
Спасибо за возможность пройти повышение квалификации в стенах нашего университета.
Каждый мог выбрать свою траекторию обучения (была и возможно попробовать себя во всех), что позволило не только получить теоретические знания, но и практические, создав свой проект.
Спасибо за возможность пройти повышение квалификации в стенах нашего университета.
Каждый мог выбрать свою траекторию обучения (была и возможно попробовать себя во всех), что позволило не только получить теоретические знания, но и практические, создав свой проект.
Поломошнова К.О.
Кузнецова Полина
Отзывы выпускников программы
Доцент Военного учебного центра при ЮФУ
Программа оказалась для меня исключительно полезной. Больше всего понравился ее прикладной характер: мы рассматривали реальные кейсы внедрения ИИ в научные и инженерные проекты.
Особенно помогло изучение инструментов для автоматизации сбора и анализа данных. Это позволило мне значительно ускорить предварительный этап моего исследования.
Программа оказалась для меня исключительно полезной. Больше всего понравился ее прикладной характер: мы рассматривали реальные кейсы внедрения ИИ в научные и инженерные проекты.
Особенно помогло изучение инструментов для автоматизации сбора и анализа данных. Это позволило мне значительно ускорить предварительный этап моего исследования.
Сухинин В.В.
Преподаватель кафедры конституционализма юридического факультета ЮФУ
Спасибо за возможность пройти повышение квалификации в стенах нашего университета.
Каждый мог выбрать свою траекторию обучения (была и возможно попробовать себя во всех), что позволило не только получить теоретические знания, но и практические, создав свой проект.
Спасибо за возможность пройти повышение квалификации в стенах нашего университета.
Каждый мог выбрать свою траекторию обучения (была и возможно попробовать себя во всех), что позволило не только получить теоретические знания, но и практические, создав свой проект.
Поломошнова К.О.
м.н.с. экономического факультета ЮФУ
Главная сложность в сфере машинного обучения — это не сама математика, стоящая за моделями, а уверенное понимание:
1) как эти модели соотносятся с вашими данными;
2) что можно, а что нельзя делать с моделями с учетом ваших задач и всевозможных ограничений.
Программа мне понравилась тем, что она не просто описывает инструменты, а то, как их правильно применять, с учетом методологических и этических пределов, и в контексте современной индустриальной практики. На это были рассчитаны задания программы: формирование понимания того, что вы делаете, еще на этапе обработки данных и постановки задач; на умение мыслить контрфактуально. Это очень ценно!
Главная сложность в сфере машинного обучения — это не сама математика, стоящая за моделями, а уверенное понимание:
1) как эти модели соотносятся с вашими данными;
2) что можно, а что нельзя делать с моделями с учетом ваших задач и всевозможных ограничений.
Программа мне понравилась тем, что она не просто описывает инструменты, а то, как их правильно применять, с учетом методологических и этических пределов, и в контексте современной индустриальной практики. На это были рассчитаны задания программы: формирование понимания того, что вы делаете, еще на этапе обработки данных и постановки задач; на умение мыслить контрфактуально. Это очень ценно!
Гриднев Данил
Инженер-исследователь МИИ ИМ ЮФУ
Спасибо огромное за возможность пройти курс о внедрении передовых технологий ИИ в реальные разработки.
Особенно ценно было, что под руководством преподавателей можно было применять изучаемые методы сразу к своему реальному исследованию, а не к учебным кейсам.
Не имея большого опыта в использовании ИИ в научных исследованиях, я также высоко оценила, что курс очень гибкий и предлагает задания под любой уровень подготовки.
Спасибо огромное за возможность пройти курс о внедрении передовых технологий ИИ в реальные разработки.
Особенно ценно было, что под руководством преподавателей можно было применять изучаемые методы сразу к своему реальному исследованию, а не к учебным кейсам.
Не имея большого опыта в использовании ИИ в научных исследованиях, я также высоко оценила, что курс очень гибкий и предлагает задания под любой уровень подготовки.
Кузнецова Полина
Инженер-Программист/ФГУП РНИИРС
Интересный курс. Включает в себя обзор актуальных методов машинного обучения. Подача материала структурирована и последовательна.
За компактное количество семинаров было рассмотрено достаточное количество направлений и технологий.
Советую курс для тех, кто хотел бы ознакомиться с таким перспективным направлением, как машинное обучение.
Интересный курс. Включает в себя обзор актуальных методов машинного обучения. Подача материала структурирована и последовательна.
За компактное количество семинаров было рассмотрено достаточное количество направлений и технологий.
Советую курс для тех, кто хотел бы ознакомиться с таким перспективным направлением, как машинное обучение.
Ляшенко Кирилл
Доцент кафедры ботаники Академии биологии и биотехнологии им. Д. И. Ивановского ЮФУ
Когда я записывалась на программу, казалось, что выполнить задания мне будет сложно, так как я биолог и достаточно далека от современных ИИ технологий, и не до конца понимала, как смогу применять их на практике.
Мне удалось создать чат-бота, которого я могу использовать в образовательном процессе.
Нужно идти в ногу со временем, и программы ЮФУ являются современным отражением научного прогресса и внедрения технологий ИИ в исследовательскую, образовательную и проектную деятельность студентов и преподавателей.
Когда я записывалась на программу, казалось, что выполнить задания мне будет сложно, так как я биолог и достаточно далека от современных ИИ технологий, и не до конца понимала, как смогу применять их на практике.
Мне удалось создать чат-бота, которого я могу использовать в образовательном процессе.
Нужно идти в ногу со временем, и программы ЮФУ являются современным отражением научного прогресса и внедрения технологий ИИ в исследовательскую, образовательную и проектную деятельность студентов и преподавателей.
Гудзенко Е.О.
Буду рада помочь:
Больше узнать о программе
Подать заявку на участие
Менеджер программы Полина Гирич
Университетский пер., 42, Ростов-на-Дону
Разработка сайта «Цифровая образовательная платформа»
Наш сайт осуществляет обработку пользовательских данных с использованием файлов, сохраняемых в браузере пользователя. Это нужно, чтобы сайт работал корректно и был удобнее для вас. Запретить сохранение таких файлов вы можете в настройках своего браузера.
Передовые технологии ИИ в исследованиях и разработках (R&D)
Бесплатный вебинар «Под капотом ИИ: ошибки, которые мешают получить результат»