Logo
Logo

Хочешь приобрести востребованные компетенции и создать свой проект? Присоединяйся к нам.

Контакты

  • +7 (495) 608-06-07, 1059
  • dd@mgppu.ru
  • Москва, ул. Сретенка, д. 29

Искусственный интеллект в психологии и образовании

Записаться на курс

Цифровая трансформация и внедрение современных информационно-коммуникационных технологий в сферу психологии и образования – это современный международный тренд

О программе

Целью профессиональной переподготовки является получение актуальной для отрасли «Образование и наука» дополнительной ИТ-квалификации «Программист» в области образования. Программа предназначена для обучающихся по специальностям и направлениям подготовки, не отнесенным к ИТ-сфере. Программа включает формирование компетенций, связанных с применением классических алгоритмов интеллектуального анализа данных и нейронных сетей в прикладных задачах обработки табличных данных, изображений, текстов в отрасли «Образование и наука». Слушатели познакомятся с основными методами построения и обучения моделей интеллектуального анализа данных, валидации моделей, выбора их оптимальной архитектуры, визуализации данных. Искусственный интеллект – это новая цифровая технология, которая требует адаптации механизмов надзора и регуляции и неизбежно сопряжена с социальными рисками. Развитие ИИ вносит значительные изменения в различные сферы жизни и порождает ряд законодательных и этических проблем. Программа включает анализ перспектив решения данных проблем, тесно связанных с активной работой по обучению и осведомленности широкого круга акторов, созданию этических норм и кодексов, изучению законодательной базы. В ходе обучения слушатели не только научатся решать прикладные задачи с применением методов ИИ, но и получат навыки работы в команде и смогут применить освоенные компетенции в профессиональной деятельности. По итогам прохождения Программы слушатели реализуют индивидуальные и групповые проекты под руководством опытных преподавателей. Слушатели, успешно завершившие программу, приобретут новую квалификацию «Программист» в области образования.

Предусмотрен обязательный входной, промежуточный и выходной ассесмент – независимая оценка компетенций на платформе АНО ВО «Университет Иннополис».

200 000 рублей

в среднем получают разработчики моделей компьютерного зрения, по данным hh.ru

На 10%

снизят затраты на обслуживание складов системы искусственного интеллекта, по прогнозу Deloitte

Более 500 вакансий

доступно для специалистов по компьютерному зрению и ML-инженеров

14 млрд долларов

оценка стоимости мирового рынка CV от экспертов кластера информационных технологий Фонда «Сколково»

Длительность обучения

252 часа

Количество модулей

4

Формат обучения

Очный + ЭИОС

Документ по окончании

Диплом профессиональной переподготовки

Чему вы научитесь

Программирование на языке Python в прикладной психологии

Изучите основы языка Python, его экосистемы и стандартных библиотек; методы разработки и отладки программ; методы визуализации данных. Познакомитесь с методами статистического моделирования средствами библиотек Python, в том числе, кластерным и регрессионным анализом, методами классификации, построения прогнозирующих моделей, корреляционным анализом.

Интеллектуальный анализ данных с помощью алгоритмов машинного обучения и нейросетей

Научитесь осуществлять сбор, предобработку, разметку обучающих выборок, строить модели на основе свёрточных и рекуррентных нейронных сетей применительно к задачам из области психологии и образования. На практических занятиях и кейсах освоите методы глубокого обучения для анализа текстов и изображений.

Этика и безопасность использования искусственного интеллекта

Изучите общие этические принципы использования технологий ИИ с помощью междисциплинарного и межотраслевого подхода, нормативно-правовые акты, международные договора и соглашения, применимые к вопросам обеспечения прав граждан в контексте использования информационных технологий и ИИ. Приобретете практические навыки применения этических аспектов безопасности, конфиденциальности и прозрачности данных. научитесь применять на практике этические принципы разработки и внедрения систем искусственного интеллекта.

Кому подходит этот курс

Студентам направлений 37.00.00 «Психологические науки» и 44.00.00 «Образование и педагогические науки», 39.03.02 и 39.04.02 «Социальная работа», 39.03.03 и 39.04.03 «Организация работы с молодежью»

Она будет также интересна и полезна для направлений 38.03.04 «Государственное и муниципальное управление», 45.03.02 «Лингвистика».

Программа курса

    1. Типы данных в Python. Переменные и функции. Математические операторы и математические операции, строковые методы, сравнения, логические операции, Math, numpy.

    2. Циклы и ветвления. Диапазоны, итераторы и генераторы.

    3. Списки и встроенные методы для их обработки. Словари и встроенные методы для их обработки.

    4. Анализ данных в среде Google Colaboratory: создание расчетов с использованием больших данных и методов машинного обучения.

    5. Графический ускоритель (GPU).

    6. Работа в среде Kaggle.

    1. Среды разработки, редакторы кода и интерактивные интерпретаторы - VSCode, PyCharm, Yandex Cloud Functions, установка, настройка, различия, принципы применения.

    2. Отладка программного обеспечения и обработка ошибок.

    3. Создание графических интерфейсов в Python.

    4. Pandas и numpy для решения прикладных задач.

    1. Основные понятия машинного обучения.

    2. Классические методы и модели машинного обучения: логистическая регрессия, деревья вывода, случайный лес, метод опорных векторов, метод ближайших соседей. Кластерный анализ, метод К-средних.

    3. Нейронные сети: многослойная нейросеть, свёрточная, рекуррентная нейросеть. Обучение на изображениях и текстах.

    1. Анализ данных в среде Google Colaboratory. Создание расчетов с использованием методов машинного обучения. Подключение графического ускорителя (GPU), оформление и сохранение результатов расчетов.

    2. Импорт данных из файлов CSV, XLS. Методы предобработки данных: обнаружение и устранение пропусков, шкалирование к стандартным интервалам, числовое кодирование категориальных атрибутов, обнаружение и обработка выбросов, one-hot кодирование.

    3. Предиктивные модели машинного обучения: логистическая регрессия, опорные векторы (SVM), деревья вывода, случайный лес, нейронная сеть. Модель линейной регрессии на основе нейронной сети.

    4. Валидация и оптимизация моделей машинного обучения. Метрики обучения. Подбор гиперпараметров методом поиска по сетке. Кросс-валидация.

    1. Понятие об искусственном интеллекте. История развития искусственного интеллекта. Искусственный интеллект в образовании.  Тренды и проблемы внедрения ИИ в российское образование

    2. Проблемы безопасности искусственного интеллекта. Приватность и конфиденциальность данных в искусственном интеллекте. Основы и стандарты безопасности искусственного интеллекта. Ключевые ограничения и риски ИИ в образовании. Роль образования и обучения в обеспечении безопасной разработки и применения искусственного интеллекта.

    3. Международная регуляция деятельности ИИ. Как обезопасить искусственный интеллект. Этические аспекты использования искусственного интеллекта. Законодательное регулирование искусственного интеллекта в России.

    4. Этика искусственного интеллекта: ценностно-нормативный подход России. Искусственный интеллект в образовании: плюсы и минусы, варианты применения: этический аспект.

    1. Постановка задачи классификации данных по совокупности параметров с помощью нейросетевой модели. Разработка и построение архитектур нейросетей с помощью библиотеки Keras.

    2. Подключение графического ускорителя Центра коллективного пользования высокопроизводительными вычислительными ресурсами. Подготовка и предобработка обучающей выборки. Аугментация обучающей выборки. Оптимизация архитектур нейросетей: батч-нормализация, прореживание нейронов, трансферное обучение. Анализ метрик качества классификации.

    3. Применение нейросетей для интерпретации рисуночных тестов и проективных методик. Применение рекуррентных нейросетей для обработки текстов на естественном языке в задачах лингвистики и психологии. Применение машинного обучения для анализа данных психологического тестирования.

  1. Применение методов интеллектуального анализа данных и машинного обучения для анализа электрофизиологических показателей (ЭФП): ЭЭГ, ЭКГ, кожно-гальваническая реакция, электромиограмма, дыхание, пульс.

  2. Сбор данных ЭФП с помощью аппаратного комплекса BiTronics Lab. Загрузка записанных данных в среду анализа данных Google Colab.

  3. Анализ статистических показателей временных рядов ЭФП. Спектральный анализ. Анализ аномалий и корреляций в ЭФП, собранных с разных датчиков.

  4. Построение предиктивных моделей для предсказания параметров ЭФП в различных физиологических состояниях.

  1. После завершения обучения по Программе и прохождения итоговой оценки сформированности цифровых компетенций (ассесмента) обучающиеся допускаются к итоговой аттестации. Итоговая аттестация по Программе проводится в форме Демонстрационного экзамена. На демонстрационном экзамене слушатели должны представить результаты групповых или индивидуальных проектов, включающих кейс- задания из отрасли «Образование и наука», интеллектуального анализа данных методами машинного обучения и нейросетей в контексте задач психологии, образования, психолого-педагогических исследований.

Топовые спикеры

Аватар

Алексейчук Андрей Сергеевич

  • к.ф.-м.н., доцент кафедры «Цифровое образование», ФГБОУ ВО МГППУ; доцент кафедры «Прикладная математика» Московского авиационного института (национального исследовательского университета) (НИУ МАИ)
Аватар

Третьякова Вера Дмитриевна

  • к.х.н., научный сотрудник Научно-образовательного центра нейрокогнитивных исследований (МЭГ-центр), ФГБОУ ВО МГППУ
Аватар

Шишкин Сергей Львович

  • к.б.н., ведущий научный сотрудник Научно-образовательного центра нейрокогнитивных исследований (МЭГ-центр) ФГБОУ ВО МГППУ

Стань крутым специалистом!

Записаться на курс

Часто задаваемые вопросы

Кто может учиться на цифровой кафедре?

Запись на курс доступна для студентов, ранее не обучавшихся на ЦК и проходящих обучение (в очной или очно-заочной форме) не по IT-профилю на 3-4 курсе бакалавриата или 4-5 курсе специалитета, а также 1-2 курсе магистратуры.

Как записаться на обучение?

Подать заявку можно на странице описания программ. Выбрать из предложенного перечня программу и нажать кнопку записаться на курс. Перед этим необходимо осуществить вход через единую учетную запись Цифрового пространства МГППУ.

Какой документ я получу после прохождения программы переподготовки?

По окончании профессиональной переподготовки выдается диплом о профессиональной переподготовке (п. 1 ч. 10 ст. 60, ч. 15 ст. 76 Закона N 273-ФЗ) одновременно с основным дипломом о получении высшего образования.

В каком формате будет проходить обучение?

Все материалы обучения (в том числе записи вебинаров) доступны на образовательной платформе для дистанционного изучения. В рамках обучения на регулярной основе организованы онлайн вебинары лекционных и практических занятий. Кроме того, Вас ждут интересные очные встречи с преподавателями на которых будет возможность отработать практические цифровые навыки.

Сколько специальностей может освоить один студент? Должны ли они быть связаны с основной получаемой специальностью?

На цифровой кафедре можно пройти обучение только по одной программе профессиональной переподготовки. Получаемая квалификация на цифровой кафедре может быть не связана с основной получаемой специальностью.

Из чего состоит каждая программа?

Любая программа профессиональной переподготовки состоит из нескольких модулей, после прохождения которых проводится тестирование и выполнение практических заданий. В рамках прохождения программы студент совместно с преподавателем выполняет проектную работу. Также в рамках программы проводятся 3 ассесмента со стороны университета Иннополис (входной, промежуточный и итоговый).

Может ли быть студент отчислен с дополнительных профессиональных программ?

Если студент отчисляется из вуза по результатам успеваемости, то он автоматически отчисляется с программы переподготовки.

Как долго будет проходить обучение?

Обучение рассчитано на 9 месяцев.

Какова стоимость курса?

Обучение по программам дополнительного образования проходит совершенно бесплатно.

Можно ли освоить еще одну программу ДПП, если в прошлом году уже проходил(а) обучение в рамках проекта цифровая кафедра?

К сожалению, нет. К записи на программу могут быть допущены только студенты, которые ранее не проходили обучение на цифровой кафедре.