Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
1. Wstęp do inżynierii AI
- Czym jest inżynieria AI?
- Sztuczna inteligencja vs. uczenie maszynowe vs. uczenie głębokie
- Lifecycle inżynierii AI
- Zastosowania AI w różnych branżach
- Rola i obowiązki inżyniera AI
2. Podstawy sztucznej inteligencji
- Kluczowe pojęcia i terminologia AI
- Nadzorowane, nienadzorowane oraz uczące się przez wzmocnienie
- Sieci neuronowe i podstawy uczenia głębokiego
- Przegląd generatywnego AI i modeli fundamentowych
- Ekosystemy i frameworki do tworzenia rozwiązań AI
3. Python w inżynierii AI
- Kluczowe biblioteki Pythona dla AI
- NumPy, Pandas i Matplotlib
- Przetwarzanie i wizualizacja danych
- Praca z notatnikami Jupyter
- Pisanie kodu AI w sposób ponownego użytku
4. Przygotowanie danych do AI
- Zbieranie i analiza zbiorów danych
- Czyszczenie i przetwarzanie wstępne danych
- Inżynieria cech
- Skalowanie i normalizacja cech
- Dzielenie zbiorów na zestawy treningowe, walidacyjne i testowe
- Radzenie sobie z brakującymi wartościami aномaliami (outliers)
5. Podstawy uczenia maszynowego
- Algorytmy regresji
- Algorytmy klasyfikacji
- Techniki klasteryzacji
- Proces trenowania modeli
- Metryki oceny modelu
- Pzapobieganie przeuczeniu i niedouczeniu (underfitting)
6. Budowanie modeli AI z TensorFlow i PyTorch
- Wprowadzenie do TensorFlow
- Wprowadzenie do PyTorch
- Tworzenie sieci neuronowych
- Trenowanie i walidacja modeli
- Zapisywanie i wczytywanie modeli
- Porównanie obu frameworków
7. Podstawy przetwarzania języka naturalnego (NLP)
- Przetwarzanie wstępne tekstu
- Word embeddings
- Klasyfikacja tekstu
- Analiza sentymentu
- Wprowadzenie do modeli typu transformer
- Praktyczne zastosowania NLP
8. AI w rozwoju oprogramowania
- Integracja AI z istniejącymi aplikacjami
- Wywoływanie usług AI przez API
- Rozwijanie aplikacji napędzanych AI
- Narzędzia wspierające rozwój oprogramowania z wykorzystaniem AI
- Testowanie aplikacji z funkcjami AI
9. Najlepsze praktyki inżynierii AI
- Organizacja projektu
- Kontrola wersji przy użyciu Git
- Śledzenie eksperymentów
- Wersjonowanie modeli
- Standardy dokumentacji
- Odtwarzalność w projektach AI
10. Wdrażanie modeli AI
- Seriałizacja modeli
- Budowanie usług wnioskowania (inference)
- REST API dla modeli AI
- Wprowadzenie do Dockera w kontekście wdrażania AI
- Monitorowanie wdrożonych modeli
- Konserwacja i aktualizacja modeli
11. Inżynieria danych dla AI
- Rurociągi danych (data pipelines)
- Procesy ETL
- Zarządzanie danymi strukturalnymi i niestrukturalnymi
- Opcje magazynowania danych
- Zarządzanie jakością danych
- Przygotowanie zbiorów gotowych do produkcji
12. Odpowiedzialne i etyczne AI
- Bias (stronność) AI i uczciwość
- Rozumialne AI (Explainable AI - XAI)
- Prywatność i ochrona danych
- Bezpieczeństwo w kontekście AI
- Odpowiedzialny rozwój AI
- Kwestie regulacyjne i zarządzanie
13. Zarządzanie projektami AI
- Lifecycle projektu AI
- Metodologie Agile w projektach AI
- Kolaboracja między zespołami technicznymi a biznesowymi
- Szacowanie projektów AI
- Zarządzanie ryzykiem
- Ocenianie sukcesu projektu
14. Warsztaty z inżynierii AI oraz trendy przyszłościowe
- Konfiguracja pełnego workflow do tworzenia AI
- Budowanie projektów uczenia maszynowego end-to-end
- Trenowanie i ewaluacja modelu za pomocą TensorFlow lub PyTorch
- Wdrożenie prostej aplikacji AI
- Obecne trendy w inżynierii AI
- Generatywne AI i modele dużych języków (LLM)
- MLOps i automatyzacja AI
- Szlaki kariery i ciągłe kształcenie się
- Podsumowanie, Q&A oraz kolejne kroki
Wymagania
- Zrozumienie podstawowych pojęć programistycznych
- Doświadczenie z językiem Python
- Wiedza na temat podstaw statystyki i algebry liniowej
Grupa docelowa
- Inżynierowie AI
- Programiści
- Analitycy danych
14 godzin
Opinie uczestników (1)
Inżynieria Promptów była świetna, a także możliwość poznania rożych LLM