Կարիերայի խորհրդատվություն
Ստացեք գործնական աջակցություն կարիերայի զարգացման, աշխատանքի որոնման, հարցազրույցների, CV-ի բարելավման և մասնագիտական հաջորդ քայլերի համար։
Data Science
·Օֆլայն
Մեքենայական Ուսուցման Ակադեմիական Ծրագիր
Ինչու՞ մասնակցել «Մեքենայական ուսուցման ակադեմիական ծրագիր» դասընթացին Դասընթաց՝ նախագծված նրանց համար, ովքեր ունեն մաթեմատիկական բազային գիտելիք և ցանկանում են ձեռք բերել ժամանակ...
Ինչ կստանաք
- ✓ Բարձրագույն մաթեմատիկա և հավանականության տեսություն
- ✓ Python-ը Մեքենայական ուսուցման մեջ
- ✓ Մեքենայական ուսուցման մոդելները
- ✓ Deep Learning
✓ Անվճար խորհրդատվություն · Վկայական ավարտից հետո · Գործնական ուսուցում · Վկայականի պատրաստ · BDG՝ սկսած 2009
Տևողություն
8 ամիս
Ձևաչափ
Օֆլայն
Մեկնարկ
ապր 11, 2026
Վկայական
Ավարտից հետո
BDG-ի էկոհամակարգ
Ավելին, քան դասընթաց
BDG-ում ուսուցումը չի սահմանափակվում միայն դասերով։ Դուք ստանում եք աջակցություն, համայնք, միջոցառումներ, տարածքներ և ռեսուրսներ՝ ձեր մասնագիտական աճի համար։
Անձնական բրենդինգ
Սովորեք ճիշտ ներկայացնել ձեր հմտությունները, բարձրացնել մասնագիտական տեսանելիությունը և ձևավորել ուժեղ անձնական բրենդ ձեր ոլորտում։
Անվճար վեբինարներ և սեմինարներ
Ամեն ամիս միացեք անվճար վեբինարների, սեմինարների և բաց հանդիպումների՝ նոր գիտելիքներ ստանալու, փորձագետների հետ շփվելու և նոր հնարավորություններ բացահայտելու համար։
Մեծ համայնք
Դարձեք ուսանողների, շրջանավարտների, թրեյներների և ոլորտի մասնագետների մեծ մասնագիտական համայնքի մաս։
Քովորքինգ տարածքներ
Օգտվեք BDG-ի տարածքներից՝ սովորելու, շփվելու, թիմային աշխատանքի և կենտրոնացած աշխատելու համար։
Գրադարան
Օգտվեք օգտակար գրքերից, նյութերից, ուղեցույցներից և կրթական ռեսուրսներից, որոնք ընտրված են ձեր զարգացմանը աջակցելու համար։
Ով կարող եք դառնալ
Ինչու՞ մասնակցել «Մեքենայական ուսուցման ակադեմիական ծրագիր» դասընթացին
Դասընթաց՝ նախագծված նրանց համար, ովքեր ունեն մաթեմատիկական բազային գիտելիք և ցանկանում են ձեռք բերել ժամանակակից ամենապահաանջված մասնագիտություններից մեկը։ Ավարտելուց հետո ուսանողը կկարողանա աշխատել արհեստական բանականության բնագավառում՝ որպես մեքենայական ուսուցման հետազոտող։ Կկարողանա կիրառել մաթեմատիկական մեթոդները՝ որոշ խնդիրների լուծման համատեքստում (օրինակ՝ տվյալների մշակման, կանխատեսման և մոդելավորման)։ Դասընթացին մասնակցելու համար անհրաժեշտ է մաթեմատիկայի բազային գիտելիք և համակարգչային գիտելիք։ Դասընթացը կազմակերպված է հիմնական 3 բլոկներից՝ բարձրագույն մաթեմատիկա, Python ծրագրավորման լեզուն և Մեքենայական ուսուցում։ Ավարտելուց հետո ուսանողները կկարողանան կառուցել տարբեր տեսակի պրոդուկտներ` արդեն իսկ սովորած ալգորիթմները և մոդելները կիրառելով։Սա հնարավորություն է՝ հեռանկարային կարիերա սկսելու որպես ML/AI հետազոտող։Ստացի՛ր 5% քեշբեք
վճարի՛ր 
-ի QR կոդով
Ում համար է այս դասընթացը
-
✓
Սկսնակների
Բոլոր նրանց համար, ովքեր ցանկանում են կիրառելի և իրական գիտելիք ստանալ Մեքենայական ուսուցման վերաբերյալ և դառնալ մեքենայական ուսուցման ինժեներ, տվյալագիտության մասնագետ կամ տվյալների վերլուծաբան։
-
✓
ՏՏ ոլորտի մասնագետների
Ծրագրավորողները, տվյալների վերլուծաբանները և մեքենայական ուսուցման բազային գիտելիք ունեցող մասնագետները, ովքեր ցանկանում են խորացնել իրենց գիտելիքը մեքենայական ուսուցման բնագառավառում։
Ինչ կսովորեք
- ✓Բարձրագույն մաթեմատիկա և հավանականության տեսություն
- ✓Python-ը Մեքենայական ուսուցման մեջ
- ✓Մեքենայական ուսուցման մոդելները
- ✓Deep Learning
- ✓Նեյրոնային ցանցեր
Ծրագիր
- Սահմանումը, գործողություններ վեկտորների հետ (գումարում, հանում, սկալյար արտադրյալ)
- էվկլիդյան և կոսինուսային հեռավորություններ
- Մատրիցի սահմանումը, գործողություններ դրանց հետ
- Որոշիչի սահմանումը, հատկությունները և հաշվումը
Սահմանումը, հիմնական գաղափարները
- Սեփական արժեքների հաշվումը, կիրառություններ
- Ծանոթացում կոմպլեքս թվերի հետ
- Սահմանումները, անկյունագծայնացման տարբեր տեսակներ, կիրառություններ
- Տրման եղանակները, ֆունկցիաների կարևորագույն դասեր
- Անընդհատությունը և խզումները, ֆունկցիաների հատկությունները
- Երկրաչափական իմաստը, բարդ ֆունկցիայի, հակադարձ ֆունկցիայի ածանցյալները
- Ածանցման պարզագույն կանոնները
- Նախնական ֆունկցիա, անորոշ ինտեգրալ, հատկությունները, հիմնական բանաձևերի ցանկը:
- § Որոշյալ ինտեգրալի սահմանումը, երկրաչափական իմաստը, որոշ կիրառություններ
- Որոշման տիրույթ, մակարդակի գծեր և մակերևույթներ
- Մի քանի փոփոխականներից կախված ֆունկցիայի սահմանը եւ անընդհատությունը
- Բարդ ֆունկցիայի ածանցյալը
- Ածանցյալ տրված ուղղությամբ, գրադիենտ
- Լոկալ մաքսիմում և մինիմում
- Գրադիենտային վայրեջքի մեթոդը
- Պատահույթների դասակարգումը, գործողություններ պատահույթների հետ
- Հավանականության դասական և երկրաչափական սահմանումները
- Լրիվ հավանականության բանաձևը, Բայեսի Թեորեմը
- Դիսկրետ պատահական մեծություններ, բաշխման օրենքը:
- Դիսկրետ պատահական մեծության թվային բնութագրիչները
- Հայտնի դիսկրետ բաշխումներ (Բեռնուլիի բաշխում, Բինոմական բաշխում, Պուասոնի բաշխում ...)
- Անընդհատ բաշխումների թվային բնութագրիչները
- Հայտնի անընդհատ բաշխումներ (հավասարաչափ բաշխում, Գաուսյան նորմալ բաշխում, Ցուցչային բաշխում)
- Կենտրոնական սահմանային թեորեմ (առանց ապացույցի)
- Ինտերպրետատորի մոդել և կոդի կատարման հոսք
- Փոփոխականներ և օբյեկտների հղումներ
- Փոփոխելիություն և անփոփոխելիություն
- int, float, str, bool
- list և tuple տարբերությունները
- Հիմնական գործողություններ
- Պայմանական օպերատորներ և ցիկլեր
- Ֆունկցիաների կառուցվածք և ընթեռնելիություն
- Փոփոխականների տեսանելիության շրջանակ (scope)
- Լռելյայն արգումենտներ
- Տիպային հուշումներ (ներածություն)
- Սխալների մշակում (raise / try / except)
- Lists (դինամիկ զանգվածի գաղափար)
- Dictionaries (hash map-ի գաղափար)
- Sets
- Stack և queue
- Երբ որ կառուցվածքն օգտագործել
- Գործողությունների արժեքի ինտուիտիվ ըմբռնում
- Ինչ է իրականում նշանակում Big-O
- O(1), O(n), O(log n), O(n²)
- Ներկառուցված ցիկլեր և աճի տեմպեր
- Որոնման և տեսակավորման արժեք
- Երկկողմանի որոնման գաղափար (Binary search)
- Տարածական բարդության հիմունքներ
- Git-ի ներածություն
- Դասեր և օբյեկտներ
- __init__ մեթոդ
- Օբյեկտային և դասային ատրիբուտներ
- Էնկապսուլացիա
- Կոմպոզիցիա և ժառանգում
- Երբ է OOP-ը օգտակար (և երբ՝ ոչ)
- Վեբ հիմունքներ և API-ի զարգացում
- Հարցման կյանքի ցիկլ․ ինչ է տեղի ունենում, երբ սեղմում եք URL
- HTTP կառուցվածք
- Մեթոդներ՝ GET, POST, PUT, DELETE
- Ստատուս կոդեր
- Headers
- JSON
- REST սկզբունքներ
- Idempotency
- FastAPI-ի կարգավորում
- Path և query պարամետրեր
- Request body և վալիդացիա
- Pydantic մոդելներ
- Response մոդելներ
- Սխալների մշակում
- Ավտոմատ գեներացվող փաստաթղթեր (Swagger)
- Process և thread
- CPU-bound և I/O-bound խնդիրներ
- Blocking և non-blocking
- Throughput և latency
- Event loop-ի գաղափար
- Ինչու սինխրոն սերվերները դժվարությամբ են մասշտաբավորվում
- async / await
- Coroutines
- asyncio հիմունքներ
- Միաժամանակյա առաջադրանքների կատարում
- Timeout-ներ և կրկնափորձեր
- Async endpoint-ներ FastAPI-ում
- Արտաքին API-ների միաժամանակյա կանչ
- Գաղտնաբառերի hashավորման հիմունքներ
- JWT authentication
- Endpoint-ների պաշտպանություն
- Authorization հասկացություններ
- pytest-ի հիմունքներ
- API endpoint-ների թեստավորում
- Կախվածությունների mock-ավորում
- Async կոդի թեստավորում
- Containerization-ի նպատակը
- Docker-ի հիմունքներ
- Dockerfile գրելը
- Logging production միջավայրում
- Rate limiting-ի գաղափար
- Caching-ի գաղափար
- Health checks
- Ինչու է կառուցվածքը կարևոր
- Շերտային նախագծում՝
- Կախվածությունների ուղղություն
- Dependency injection-ի հիմունքներ
- Logging-ի հիմունքներ
- Մեքենայական ուսուցման սահմանում և տեսակներ
- Կիրառություններ իրական աշխարհում
- Supervised և unsupervised խնդիրների ըմբռնում
- Ռեգրեսիայի և դասակարգման խնդիրների ըմբռնում
- Վեկտորներ և մատրիցներ ՄՈՒ-ում
- Feature-ների ներկայացում և մասշտաբավորում
- Կատեգորիկ և թվային հատկանիշներ
- Ինչու՞ է գծային հանրահաշիվը կարևոր
- Պարզ գծային ռեգրեսիա
- Բազմակի գծային ռեգրեսիա
- Mean Squared Error (MSE)-ի ինտուիտիվ ըմբռնում
- Մոդելի հարմարեցման գաղափար
- Գրադիենտային իջեցման ինտուիցիա
- Batch, stochastic և mini-batch gradient descent
- Learning rate-ի կարևորություն
- Կոնվերգենցիայի վարքագիծ
- Overfitting-ի ինտուիցիա
- Ridge (L2) ռեգրեսիա
- Lasso (L1) ռեգրեսիա
- Elastic Net
- Train / validation / test բաժանում
- Cross-validation մեթոդներ
- Bias–variance tradeoff
- Overfitting և underfitting
- Դասակարգման workflow
- Որոշման սահմաններ (decision boundaries)
- Երբ ռեգրեսիան բավարար չէ
- Sigmoid ֆունկցիայի ինտուիցիա
- Երկակի դասակարգում
- Cross-entropy կորուստ
- Հավանականական մեկնաբանություն
- Accuracy-ի սահմանափակումներ
- Precision, Recall, F1 score
- Confusion matrix
- ROC կոր և AUC
- Հեռավորության վրա հիմնված ինտուիցիա
- Ալգորիթմի վարքագիծ բարձր չափումներում
- k-ի ընտրություն
- Գործնական կիրառություններ
- Naïve Bayes դասակարգիչ
- Պայմանական անկախության ենթադրություն
- Գեներատիվ և դիսկրիմինատիվ մոդելներ
- Linear Discriminant Analysis (LDA) ինտուիցիա
- Quadratic Discriminant Analysis (QDA) ինտուիցիա
- Գաուսյան դասային ենթադրություններ
- Առավելագույն մարժայի գաղափար
- Soft-margin SVM
- Kernel-ի գաղափար (կոնցեպտուալ)
- Երբ օգտագործել SVM
- Class imbalance խնդիր
- Precision–recall փոխզիջումներ
- Resampling և weighting ռազմավարություններ
- Տվյալների augmentation-ի ինտուիցիա
- Ծառային որոշումների ընդունում
- Ռեգրեսիոն և դասակարգման ծառեր
- Բաժանման չափանիշների ինտուիցիա
- Overfitting և pruning
● Bootstrap sampling
● Bagging-ի գաղափար
● Random Forest ալգորիթմ
● Feature randomness
● Boosting-ի ինտուիցիա
● AdaBoost
● Gradient Boost
● Ինչպես է boosting-ը նվազեցնում bias-ը
- Ինչու են ժամանակակից boosting framework-ները ավելի արագ
- Կատեգորիկ և բացակայող տվյալների մշակում
- Feature importance և ինտերպրետացիա
- Գործնական կիրառման խորհուրդներ
- Կլաստերացում և չափողականության նվազեցում
- Նմանության և հեռավորության չափումներ
- Բարձր մակարդակի workflow
- K-means ալգորիթմի ինտուիցիա
- Սկզբնականացման խնդիրներ
- Mini-batch K-means
- Կլաստերների մեկնաբանություն
- DBSCAN ինտուիցիա
- Spectral clustering-ի գաղափար
- Առավելություններ K-means-ի նկատմամբ
- Կլաստերների գնահատման ռազմավարություններ
- Ինչու է մասշտաբավորումը կարևոր
- Normalization-ի ինտուիցիա
- Initialization
- Overfitting
- Dropout-ի գաղափար
- Batch normalization-ի ինտուիցիա
- Ինչու են մոդելները կոնվերգում
- Momentum
- RMSprop
- Adam (ինչու դարձավ դեֆոլտ)
- Convolution-ի ինտուիցիա
- Receptive field-ի գաղափար
- Pooling-ի գաղափար
- Ինչու CNN-ները հեղափոխական էին
- Transfer learning՝ նախապես ուսուցված CNN-ներով
- U-Net գաղափար (սեգմենտացիայի ինտուիցիա)
- Սեքվենտային մոդելավորում (հաջորդ token-ի կանխատեսում)
- Recurrent Neural Networks
- Ինչու են RNN-ները դժվարություններ ունենում
- LSTM / GRU — ինչ խնդիրներ լուծեցին
- Ինչու էր RNN-ների մասշտաբավորումը դժվար
- Զուգահեռացման սահմանափակումներ
- Attention
- Ինչու է attention-ը լուծում RNN-ի սահմանափակումները
- Transformer ճարտարապետության գաղափար
- GPT տիպի autoregressive մոդելներ
- BERT տիպի masked մոդելներ
- Generator և discriminator խաղ (կորուստի ֆունկցիա)
- Ինչու է ուսուցումը անկայուն
- Ինչու diffusion մոդելները փոխարինեցին GAN-ներին շատ կիրառություններում
- Որտեղ են GAN-ները դեռ օգտակար
- Embeddings որպես սեմանտիկ ներկայացումներ
- Cosine similarity և վեկտորային հեռավորությունների ինտուիցիա
- Dense և sparse որոնում
- Hybrid search (բառային + վեկտորային)
- Approximate Nearest Neighbors (ANN, HNSW ինտուիցիա)
- Վեկտորային տվյալների բազաներ և մետատվյալների ֆիլտրում
- Ինդեքսավորում և որոնման pipeline
- Որոնման որակի գնահատում
- Ինչու են LLM-ները «հալյուցինացնում»
- Retrieval-before-generation մոտեցում
- Ստանդարտ RAG ճարտարապետություն
- Chunking ռազմավարություններ և կոնտեքստի օպտիմիզացում
- Query rewriting և re-ranking
- Faithfulness և groundedness գնահատում
- Production RAG օրինաչափություններ
- Ժամանակակից chat-կենտրոն LLM API-ներ
- Մոդելի ընտրություն և temperature կառավարում
- Prompt design pattern-ներ (instruction, role, few-shot)
- Կառուցվածքային ելքեր (JSON schemas)
- Function / tool calling
- Streaming պատասխաններ
- Rate limits, retries և token budgeting
- Deterministic LLM pipelines
- Ի՞նչ է սահմանում ԱԲ գործակալը
- ReAct reasoning pattern
- Tool-use ճարտարապետություն
- Հիշողություն (context + vector memory)
- Task decomposition և orchestration loops
- Agent-ի խափանման ձևեր և debugging
- Guarded tool execution
- Գործնական օրինակ (օր.՝ ֆինանսական կամ trading agent)
- Գեներատիվ համակարգերի գնահատում
- LLM-as-a-judge մոտեցում
- Hallucination նվազեցման ռազմավարություններ
- Prompt injection պաշտպանություն
- Output guardrails
- Monitoring և logging production-ում
- Շարունակական գնահատման pipeline-ներ
- Multimodal foundation մոդելներ
- Vision-language համակարգեր և multimodal embeddings
- Diffusion մոդելների ինտուիցիա
- LLM-ների սպասարկում production-ում
- Async orchestration և զուգահեռ կանչեր
- Caching, batching և background workers
- Cost–performance փոխզիջումներ
- AI workflow ավտոմատացման նախագծում
Դասընթացի մանրամասներ
🗓
Ժամանակացույց
Չորեքշաբթի 19:00-21:30
Շաբաթ 11:00-13:30
💳
Վճարում
Ամսական
🎓
Վկայական
Ավարտից հետո
64 դաս
Ձեր դասընթացավարը
Feliks Hayrapetyan
Machine Learning Engineer/ Researcher
Felix has 4 years of teaching experience at the Faculty of Mathematics and Mechanics of Yerevan State University. The subjects taught are: numerical methods, signal systems, machin...
Հաճախ տրվող հարցեր
Յուրաքանչյուր դասընթաց ունի նշված մակարդակ՝ սկսնակ, միջին կամ առաջադեմ։ Եթե վստահ չեք, ամրագրեք անվճար խորհրդատվություն, և մենք կօգնենք ընտրել ճիշտ տարբերակը։
Ծրագրերի մեծ մասի համար հասանելի են վճարման ճկուն տարբերակներ։ Կապվեք մեզ հետ՝ ձեզ հարմար տարբերակը քննարկելու համար։
Վկայականներ
Վկայականներ, որոնք կարող եք ստանալ
Կախված դասընթացի ձևաչափից և արդյունքներից՝ ուսանողները կարող են ստանալ BDG-ի վկայականների հետևյալ տեսակներից մեկը։
- ✓ Հաստատված BDG վկայական
- ✓ QR կոդով և ստորագրությամբ ձևաչափ
- ✓ Հայերեն և անգլերեն ձևավորում
Համատեղ վկայական
Մասնակցության
Ուսանողների համար, ովքեր ակտիվորեն մասնակցում են դասընթացի ուսումնական գործընթացին։
Ակտիվ մասնակցության համարԱվարտի
Ուսանողների համար, ովքեր կատարում են դասընթացի պահանջները և ավարտում ծրագիրը։
Հաջող ավարտի համարԳերազանցության
Ուսանողների համար, ովքեր ավարտում են դասընթացը բարձր արդյունքներով և ուժեղ առաջադիմությամբ։
ԳերազանցությամբHR Drone
Համատեղ վկայական՝ ընտրված HR և գործընկեր կազմակերպությունների հավաստագրված ծրագրերի համար։
Համատեղ վկայականData Science
Ready to start Մեքենայական Ուսուցման Ակադեմիական Ծրագիր?
Ամրագրեք անվճար խորհրդատվություն և պահեք ձեր տեղը հաջորդ խմբում։
69,000 ֏
8 ամիս · Մեկնարկ — ապր 11, 2026
Շարունակեք ուսումնասիրել
Նմանատիպ դասընթացներ
Նոր
Data Science
•1 օր
•Օֆլայն
Meet and Grow: AI Simplified․ Մեքենայական ուսուցման հիմունքները
Մեկնարկ դկտ 2024
Վկայական
Data Science
•5 ամիս
•Օֆլայն
Տվյալների Վերլուծության Ամբողջական Դասընթաց
Մեկնարկ հնս 2026
Սկսնակ
Վկայական
