Индустрия искусственного интеллекта продолжает стремительно развиваться, и AI-тренер стал востребованной новой профессией с широкими перспективами. Многие желающие войти в отрасль имеют смутное представление о ее общей картине и требованиях к должности, не понимают, как именно выполнять ключевую работу по обработке и разметке данных, не знают, с чего начать освоение профессиональных инструментов, и с трудом соответствуют кадровым стандартам компаний.

Этот курс создан специально для начинающих с нуля и соискателей: от простого к сложному выстраиваетсяная система знаний, всесторонне раскрываются необходимые теоретические знания и практические навыки AI-тренера. В начале курса даются базовые отраслевые сведения, разъясняется текущее состояние развития, систематизируются ежедневные рабочие задачи, стандарты компетенций и нормы профессионального поведения, что помогает учащимся сформировать правильное представление о профессии и определить направление обучения. После прохождения курса вы не только освоите полный цикл навыков — сбор, очистку, разметку данных и другое, — но и научитесь уверенно работать с такими отраслевыми инструментами, как Kettle, OpenRefine, DataWrangler, Hawk, и будете готовы сразу приступить к работе. Тем, кто хочет подрабатывать и увеличить доход, эти навыки также помогут быстро получать проекты по разметке данных и гибко монетизировать свои умения.

• 1.Базовые знания тренера по искусственному интеллекту
• 2.Обзор содержания главы
• 3.Введение в искусственный интеллект
• 4.Понятие и текущее состояние профессии тренера по искусственному интеллекту
• 5.Должностные обязанности тренера по искусственному интеллекту
• 6.Модель компетенций тренера по искусственному интеллекту
• 7.Нормы профессиональной этики и компетенций тренера по искусственному интеллекту

• 8.Обзор главы
• 9.Понятие сбора данных
• 10.Обзор способов и инструментов сбора данных
• 11.Подробное описание способов сбора данных
• 12.Обзор очистки данных
• 13.Основные операции очистки данных в MS Excel
• 14.Введение в Kettle и основные операции
• 15.OpenRefine & DataWrangler
• 16.Использование инструмента Hawk

• 17.Аннотация изображений
• 18.Аннотация речи
• 19.Аннотация текста
• 20.Совместная аннотация человеком и машиной

• 21.Влияние качества данных на алгоритмы
• 22.Стандарты качества аннотации данных
• 23.Методы проверки качества аннотации данных
• 24.Интеллектуальное управление качеством разметки данных

• 25.Введение в инструменты разметки данных
• 26.Области применения разметки данных
• 27.Эксперимент: классификационная разметка лиц
• 28.Эксперимент: разметка лиц ограничивающими рамками
• 29.Эксперимент: разметка лиц по точкам
• 30.Эксперимент: разметка пешеходов ограничивающими рамками
• 31.Эксперимент: разметка областей дорожной разметки
• 32.Эксперимент: разметка номерных знаков ограничивающими рамками
• 33.Эксперимент: полигональная разметка транспортных средств
• 34.Эксперимент: классификационная разметка объектов
• 35.Эксперимент: классификационная разметка клеток
• 36.Эксперимент: разметка клеток ограничивающими рамками
• 37.Эксперимент: разметка областей медицинских изображений

💡 Совет по обучению:Содержание руководства основано на отраслевой практике на момент публикации; при изучении рекомендуется учитывать актуальные правила текущих платформ.