Передовые технологии ИИ в исследованиях и разработках (R&D)
За 3 месяца в формате проектной лаборатории вы получите готовый ИИ-проект под вашу задачу: от идеи до внедряемого прототипа, с кодом или без.
30 сентября – 18 декабря
Бесплатно для сотрудников и студентов ЮФУ
Количество мест ограничено!
2.0
Инженер или технолог
Хотите автоматизировать контроль качества
Исследователь или ученый
Устали вручную обрабатывать данные экспериментов, опросов и статей
Аналитик или R&D-менеджер
Вам нужны точные прогнозы для принятия решений
Руководитель проекта
Хотите говорить с IT на одном языке и оценивать реализуемость AI-идей
Этот курс для вас, если вы:
Выберите трек под свою задачу
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.
Итог: прототип модели в коде, готовый к внедрению.
→ Для разных типов данных: таблицы, тексты, изображения, временные ряды.
→ Формулируете задачу, готовите данные, обучаете и сравниваете модели.
Итог: прототип модели в коде, готовый к внедрению.
01
Автоматизация без кода
Если вы хотите создать ассистента или автоматизировать рутинные задачи:
→ Определяете задачу: поиск информации, анализ текста, чат-бот.
→ Собираете MVP ассистента и проверяете, как он работает в вашем процессе.
Итог: ИИ-ассистент, развернутый в канале (например, мессенджер или веб-сервис).
→ Определяете задачу: поиск информации, анализ текста, чат-бот.
→ Собираете MVP ассистента и проверяете, как он работает в вашем процессе.
Итог: ИИ-ассистент, развернутый в канале (например, мессенджер или веб-сервис).
03
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.
Итог: отчет с визуализациями и базовая ИИ-модель, собранная автоматически
→ Работа с табличными данными (CSV, Excel).
→ Изучаете структуру данных, находите закономерности, очищаете и готовите данные.
Итог: отчет с визуализациями и базовая ИИ-модель, собранная автоматически
02
Что нужно знать до старта
«Машинное обучение на Python»: владение Python; понимание базовых принципов машинного обучения; представление, что такое датасет и как устроены данные
«Автоматизация без кода»: Пререквизитов нет — можно стартовать с нуля
«Аналитика без кода»: базовые знания статистики и корреляций, опыт работы с таблицами; умение читать графики
Как программа решит ваши задачи
Прототип ИИ-решения под вашу задачу (ML-модель или ИИ-ассистент — в зависимости от выбранной траектории)
Четкое ТЗ на внедрение: документ с описанием проекта, метриками, ограничениями и рекомендациями по интеграции в ваши процессы.
Навык полного цикла: от сырых данных до работающего решения, который можно повторить на новом проекте.
Четкое ТЗ на внедрение: документ с описанием проекта, метриками, ограничениями и рекомендациями по интеграции в ваши процессы.
Навык полного цикла: от сырых данных до работающего решения, который можно повторить на новом проекте.
Что вы получите в финале?
Готовый проект и навык внедрения ИИ
Сформируете навык проектирования прикладных ML-систем: от постановки задачи до финального прототипа
Данные есть, но непонятно, как извлечь из них практическую пользу
Нет системы
Освоите подготовку и обучение моделей под табличные, визуальные, текстовые и временные данные (Scikit-Learn, LightAutoML, Transformers, ETNA)
Внедрение ML кажется сложным, долгим и требует целой команды разработчиков
Неочевидный путь к прототипу
Соберете и защитите базовый ML-прототип, который можно использовать как основу для внедрения
Вы пробовали ML-модели, но они работают неточно или их результаты нельзя объяснить руководству/коллегам
Сложно использовать в работе
Результаты обучения
Быстро собрать работающий ML-прототип без написания кода.
Создать простой ИИ-сервис на базе LLM
Создать простой ИИ-сервис на базе LLM
ВЫ СМОЖЕТЕ:
Загружать и исследовать данные в визуальных платформах без программирования (Orange).
Проводить разведочный анализ данных (EDA) без кода: строить графики, находить выбросы и закономерности
Проводить разведочный анализ данных (EDA) без кода: строить графики, находить выбросы и закономерности
ВЫ НАУЧИТЕСЬ:
Получите опыт интерпретации и объяснения результатов, с учетом ограничений и контекста задачи
Получите экспертные рекомендации и поддержку сообщества программы на всех этапах
Получите экспертные рекомендации и поддержку сообщества программы на всех этапах
А ЕЩЕ:
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
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
3 месяца практики в формате проектной лаборатории: представьте, что вы вступили в «временную лабораторию ИИ», где разные специалисты собираются, чтобы применить ИИ к своим реальным задачам. Курс дает пошаговый маршрут от «идея» до «начинающий прототип».
Общая длительность — 72 академических часа.
Скачать программу
Изучаем темы: когда нужны передовые технологии ИИ, кейсы с кодом и без, рамка выбора траектории.
Заполняем чек-лист выбора траектории, готовимся к старту.
Заполняем чек-лист выбора траектории, готовимся к старту.
10 октября, 17:00−18:00 — вебинар «Жизненный цикл ИИ-проекта»
→ Изучаем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограниченя и риски проектов с кодом и без
→ Формулируем задачу и цели под свой проект, определяем риски.
→ Изучаем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограниченя и риски проектов с кодом и без
→ Формулируем задачу и цели под свой проект, определяем риски.
28 октября, 17:00—18:00 — Q&A по проектам (Аналитика без кода).
29 октября, 17:00—18:00 — Q&A по проектам (с кодом и по автоматизации).
→ Изучаем темы: классы моделей, оценка качества (точность, метрики, интерпретируемость), сценарии автоматизации
→ Учимся проектировать архитектуру решения: от входных данных до результата.
29 октября, 17:00—18:00 — Q&A по проектам (с кодом и по автоматизации).
→ Изучаем темы: классы моделей, оценка качества (точность, метрики, интерпретируемость), сценарии автоматизации
→ Учимся проектировать архитектуру решения: от входных данных до результата.
6 ноября, 17:00–18:30 — общий вебинар «Вайбкодинг: как собирать прототипы с ИИ без кода».
7 ноября, 17:00–19:00 — вебинар «Анализ данных без кода (Orange)» (Траектория «Аналитика без кода»).
13 ноября, 17:00–18:30 — вебинар «Сборка ассистента и визуальный код» (Траектория «Автоматизация без кода»).
14 ноября, 17:00–18:30 — вебинар «Предобработка данных: практикум на Python» (Траектория «Машинное обучение на Python»).
→ Запускаем работу в выбранной траектории. Строим первые прототипы, очищаем и анализируем данные, дорабатываем и тестируем решение.
Консультации по проектам:
9 декабря, 17:00—18:00 — Траектория «Аналитика без кода».
10 декабря, 17:00—18:00 — Траектория «Автоматизация без кода».
12 декабря, 17:00—18:00 — Траектория «Машинное обучение на Python».
9 декабря, 17:00—18:00 — Траектория «Аналитика без кода».
10 декабря, 17:00—18:00 — Траектория «Автоматизация без кода».
12 декабря, 17:00—18:00 — Траектория «Машинное обучение на Python».
18 декабря, 17:00–18:30 — Траектория «Аналитика без кода».
19 декабря, 17:00–18:30 — Траектория «Автоматизация без кода».
20 января, 17:00–18:30 — Траектория «Машинное обучение на Python».
→ Готовим финальную версию проекта, презентуем результаты и получаем обратную связь от экспертов.
19 декабря, 17:00–18:30 — Траектория «Автоматизация без кода».
20 января, 17:00–18:30 — Траектория «Машинное обучение на Python».
→ Готовим финальную версию проекта, презентуем результаты и получаем обратную связь от экспертов.
Модули программы
3 месяца практики в формате проектной лаборатории: представьте, что вы вступили в «временную лабораторию ИИ», где разные специалисты собираются, чтобы применить ИИ к своим реальным задачам. Курс дает пошаговый маршрут от «идея» до «начинающий прототип».
30 сентября, 17:00—19:00 — вводный вебинар «Осознанная автоматизация»
→ Изучаем темы: когда нужны передовые технологии ИИ, кейсы с кодом и без, рамка выбора траектории.
→ Заполняем чек-лист выбора траектории, готовимся к старту.
→ Изучаем темы: когда нужны передовые технологии ИИ, кейсы с кодом и без, рамка выбора траектории.
→ Заполняем чек-лист выбора траектории, готовимся к старту.
10 октября, 17:00—18:00 — вебинар «Жизненный цикл ИИ-проекта»
→ Изучаем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограниченя и риски проектов с кодом и без
→ Формулируем задачу и цели под свой проект, определяем риски.
→ Изучаем темы: роль машинного обучения и ИИ в высокотехнологичных задачах, концепция проектов без кодинга, большие языковые модели и ассистенты, ограниченя и риски проектов с кодом и без
→ Формулируем задачу и цели под свой проект, определяем риски.
28 октября, 17:00—18:00 — Q&A по проектам (Аналитика без кода)
29 октября, 17:00—18:00 — Q&A по проектам (с кодом и по автоматизации)
→ Изучаем темы: классы моделей, оценка качества (точность, метрики, интерпретируемость), сценарии автоматизации
→ Учимся проектировать архитектуру решения: от входных данных до результата.
29 октября, 17:00—18:00 — Q&A по проектам (с кодом и по автоматизации)
→ Изучаем темы: классы моделей, оценка качества (точность, метрики, интерпретируемость), сценарии автоматизации
→ Учимся проектировать архитектуру решения: от входных данных до результата.
6 ноября, 17:00–18:30 — общий вебинар «Вайбкодинг: как собирать прототипы с ИИ без кода»
7 ноября, 17:00–19:00 — вебинар «Анализ данных без кода (Orange)» (Траектория «Аналитика без кода»)
13 ноября, 17:00–18:30 — вебинар «Сборка ассистента и визуальный код» (Траектория «Автоматизация без кода»)
14 ноября, 17:00–18:30 — вебинар «Предобработка данных: практикум на Python» (Траектория «Машинное обучение на Python»)
→ Запускаем работу в выбранной траектории. Строим первые прототипы, очищаем и анализируем данные, дорабатываем и тестируем решение.
7 ноября, 17:00–19:00 — вебинар «Анализ данных без кода (Orange)» (Траектория «Аналитика без кода»)
13 ноября, 17:00–18:30 — вебинар «Сборка ассистента и визуальный код» (Траектория «Автоматизация без кода»)
14 ноября, 17:00–18:30 — вебинар «Предобработка данных: практикум на Python» (Траектория «Машинное обучение на Python»)
→ Запускаем работу в выбранной траектории. Строим первые прототипы, очищаем и анализируем данные, дорабатываем и тестируем решение.
Консультации по проектам:
9 декабря, 17:00—18:00 — Траектория «Аналитика без кода»
10 декабря, 17:00—18:00 — Траектория «Автоматизация без кода»
12 декабря, 17:00—18:00 — Траектория «Машинное обучение на Python»
9 декабря, 17:00—18:00 — Траектория «Аналитика без кода»
10 декабря, 17:00—18:00 — Траектория «Автоматизация без кода»
12 декабря, 17:00—18:00 — Траектория «Машинное обучение на Python»
18 декабря, 17:00—18:30 — Траектория «Аналитика без кода»
19 декабря, 17:00—18:30 — Траектория «Автоматизация без кода»
20 января, 17:00—18:30 — Траектория «Машинное обучение на Python»
→ Готовим финальную версию проекта, презентуем результаты и получаем обратную связь от экспертов.
19 декабря, 17:00—18:30 — Траектория «Автоматизация без кода»
20 января, 17:00—18:30 — Траектория «Машинное обучение на Python»
→ Готовим финальную версию проекта, презентуем результаты и получаем обратную связь от экспертов.
После сдачи итоговой аттестации (в формате защиты проекта) Вы получите
Удостоверение о повышении квалификации (72 ак. часа) установленного образца ЮФУ
Примеры кейсов по траекториям обучения
Кейс 1. Социология, классификация
Задача — быстро разбирать сотни анкет и опросов. Построена модель классификации текстов, которая автоматически делит ответы по категориям. Теперь исследователь тратит минуты, а не недели, и сразу видит общую картину.
Кейс 2. HR-аналитика, классификация
Задача — предсказать, кто из кандидатов успешно пройдёт отбор. Построена модель бинарной классификации, которая анализирует анкетные данные и помогает HR быстрее и точнее принимать решения.
Задача — быстро разбирать сотни анкет и опросов. Построена модель классификации текстов, которая автоматически делит ответы по категориям. Теперь исследователь тратит минуты, а не недели, и сразу видит общую картину.
Кейс 2. HR-аналитика, классификация
Задача — предсказать, кто из кандидатов успешно пройдёт отбор. Построена модель бинарной классификации, которая анализирует анкетные данные и помогает HR быстрее и точнее принимать решения.
Машинное обучение на Python
Кейс 1. Задача — автоматизировать подготовку лекций. Собран no-code ассистент, который по теме подбирает источники, составляет план, предлагает изображения и оформляет структуру занятия. Итог — экономия времени преподавателя и готовый «скелет» лекции за 5−10 минут.
Кейс 2. Задача — создать ассистента для поиска литературы и авто-конспектов. Интегрирован LLM без кода: загружаются PDF, извлекается нужный фрагмент, генерируется краткий конспект, добавляются релевантные ссылки. Итог — экономия времени на подготовку к НИР или написанию статей.
Кейс 2. Задача — создать ассистента для поиска литературы и авто-конспектов. Интегрирован LLM без кода: загружаются PDF, извлекается нужный фрагмент, генерируется краткий конспект, добавляются релевантные ссылки. Итог — экономия времени на подготовку к НИР или написанию статей.
Кейс 1. Задача — предсказать отток клиентов онлайн-сервиса.
Загружена база в Orange, проведена очистка данных и обучение нескольких моделей. Итог — отчет с визуализацией факторов, влияющих на отток, и автоматический прогноз для новых клиентов.
Кейс 2. Задача — анализ результатов опроса сотрудников компании.
С помощью Orange собран пайплайн: импорт данных, визуализация распределений, обучение модели для классификации «доволен/недоволен». Итог — дашборд с прогнозами и факторными диаграммами для HR-отдела.
Загружена база в Orange, проведена очистка данных и обучение нескольких моделей. Итог — отчет с визуализацией факторов, влияющих на отток, и автоматический прогноз для новых клиентов.
Кейс 2. Задача — анализ результатов опроса сотрудников компании.
С помощью Orange собран пайплайн: импорт данных, визуализация распределений, обучение модели для классификации «доволен/недоволен». Итог — дашборд с прогнозами и факторными диаграммами для HR-отдела.
Аналитика без кода
Автоматизация без кода
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 Телеграм-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
Для студентов и сотрудников ЮФУ тариф «Стандарт» — бесплатно!
Тариф «Стандарт»
Для тех, кто хочет пройти весь путь самостоятельно в группе.
Стоимость: 28 тыс
Тариф «Премиум»
Для тех, кому нужен гарантированный результат и персональное внимание.
Стоимость: 48 тыс
Для тех, кто хочет пройти весь путь самостоятельно в группе.
Стоимость: 28 тыс
Тариф «Премиум»
Для тех, кому нужен гарантированный результат и персональное внимание.
Стоимость: 48 тыс
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»
Мы используем cookie, чтобы сайт работал корректно и был удобнее для вас. Запретить обработку cookie вы можете через браузер.
Передовые технологии ИИ в исследованиях и разработках (R&D)
22 апреля приглашаем на бесплатный вебинар - «Когда нужны передовые технологии ИИ - и как это понять заранее»