Bądźmy w kontakcie

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

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie