PITMAPLUS
Власні AI-рішення
01/ 04
ПРАЦЮЄШ У РОЗРОБЦІ
Розширюй технічний стек AI & ML-інструментами та переходь від використання готових моделей до побудови власних рішень.
PythonNeural NetworksApplied ML
РозробкаAI Engineering
Новинка: No-code редактор для власних ML-проєктів
Дивись джеми, створюй AI/ML-проєкти та отримуй рев’ю від спільноти. Від першого рядка коду — до власної реалізації на GitHub.
ДИВИСЬ. СТВОРЮЙ. ДІЛИСЯ.
КОМУ ПІДХОДИТЬ?
PITMAPLUS
Твій старт у AI & ML
03/ 04
ХОЧЕШ УВІЙТИ В AI & ML
Побудуй необхідну базу та отримай послідовний маршрут замість десятків розрізнених курсів і матеріалів.
PythonNumPyML Basics
ОсновиПерша ML-модель
Твій напрям. Твій наступний крок.
Приєднатися безкоштовноPITMA У МЕДІА
Вчити ML за гроші більше не обов'язково: українці запустили безкоштовну платформу PITMA
Читати матеріал (у новій вкладці)
Я бачу, вас цікавить PITMA: в Україні запустили платформу для вивчення ШІ та машинного навчання
Читати матеріал (у новій вкладці)
Безкоштовна платформа PITMA для навчання AI&ML
Читати матеріал (у новій вкладці)НАВЧАННЯ ТА ПРАКТИКА / PITMA HUBВивчай ML.
Вивчай ML.
Застосовуй на практиці.
Відеоуроки, власні проєкти та відповіді спільноти — безкоштовно, в одному місці.
01 / ВІДЕОУРОКИ
Вивчай ML
за відеоуроками «Джемами».
Обирай тему, дивись пояснення та розбирай код. Від основ Python до машинного навчання.
Дивитися джеми
ДжемиПроєктиФорум
P
БІБЛІОТЕКА ДЖЕМІВ
Знайти урок…Відеоуроки з Python та ML
Обери тему й дивись відеоурокPYTHON / AI / ML
ВідеоурокВступ до Python
Python для Data Science
Відеоурок · 54 хв Винести в проєкт
ВідеоурокВступ до машинного навчання
AI та машинне навчання
Відеоурок · 62 хв Винести в проєкт
ВідеоурокАлгоритми кластеризації
AI та машинне навчання
Відеоурок · 41 хв Винести в проєкт
02 / ВЛАСНІ ПРОЄКТИ
Створюй ML-проєкти.
Ділися зі спільнотою.
Візьми ідею з джему, напиши код і надішли Pull Request. Отримай рев’ю, внеси правки та опублікуй реалізацію в спільноті й на GitHub.
Створити свій проєктДжемиПроєктиФорум
P
Твій проєкт /
MergedРеалізація трансформера
Завдання й код Pull request Матеріали
attention.py attention → main
01
def attention(q, k, v):02
d = q.size(-1)03
scores = q @ k.transpose(-2, -1)04
+ scores = scores / math.sqrt(d)05
weights = scores.softmax(dim=-1)06
return weights @ vЗміни збережено у версії v2+1
PULL REQUESTКод готовий до рев’ю
Реалізація та зміни — в одному місці.
РЕВ’Ю СПІЛЬНОТИЗапит на зміни
Додай масштабування перед softmax.
APPROVEDЗміни перевірено
Можна об’єднувати з main.
Merged into main
Твій проєкт — у реалізаціях спільноти.
Напиши кодНадішли PRОтримай рев’юОпублікуй
03 / СПІЛЬНОТА
Форум
для твоїх запитань.
Не працює код або незрозуміла тема? Запитай спільноту, обговори свій підхід і допоможи іншим розібратися.
Приєднатися до спільнотиДжемиПроєктиФорум
P
СПІЛЬНОТА PITMA
Форум
Запитуй. Ділися рішеннями. Допомагай створювати.
НовіКорисніБез рішення
Знайти обговорення…
PУчасник спільнотиПитання
Як зрозуміти, що модель перенавчилася?
На навчальних даних результат хороший, а на нових — значно гірший. Що перевірити спочатку?
MВідповідь спільноти
Порівняй помилку на train і validation. Якщо перша зменшується, а друга зростає — це сигнал перенавчання.
train_loss ↓val_loss ↑
Збирай ML-моделі.
Блок за блоком.
Будуй схему без коду: обери дані, налаштуй підготовку та модель.
Відкрий Python у Google Colab і перевір результат.
Дані
Відтік клієнтів
Задача
Класифікація
Датасет
Відтік клієнтів
tenurechargesChurn
Підготовка
25% — на перевірку
Частка test 25%
Пропуски
Медіана
Масштабування
StandardScaler
Модель
Logistic Regression
Алгоритм
Logistic Regression
Регуляризація · C 1
Навчання на trainМетрики
Accuracy · F1
Accuracy
Precision
F1 score
Оціни якість після запуску в Colab.
З’єднай блоки. Налаштуй параметри. Запусти експеримент.
Почни з готової схеми.
Регресія, класифікація або кластеризація. Обери пресет та налаштуй його під свою задачу.
Порівнюй моделі та метрики.
Спробуй іншу модель або параметри. Після виконання ноутбука додай результат, щоб побачити метрики й графіки.
Від блоків — до коду.
Схема перетворюється на Python-ноутбук. Відкрий його в Google Colab, виконай комірки та розбери кожен крок.
model.fit(X_train, y_train)Твій перший ML-експеримент — у браузері.
Спробувати безкоштовноПОСІБНИКИ PITMA
БЛОГ PITMA
ПРОЄКТИ / ПРАКТИКА
Від джему до власного проєкту.
Від першого джему до власної реалізації: Google Colab, Pull Request, рев’ю спільноти, Merge та публікація на GitHub.
Читати посібникPITBOOK / ПОРТФОЛІО
Твої роботи. Твій PITBOOK.
Фото, навички, контакти та завершені роботи: як оформити публічний профіль PITBOOK і поділитися своїм портфоліо.
Читати посібникAI-ЛАБОРАТОРІЯ / NO-CODE
AI-ЛАБОРАТОРІЯ
NO-CODE РЕДАКТОР ДЛЯ ML ПРОЄКТІВ
Читати посібник