Plan Szkolenia

Podstawy sztucznej inteligencji w Python
  • Kluczowe pojęcia i zakres AI
  • Biblioteki Python do tworzenia AI
  • Struktura projektu AI i przepływ pracy
Przygotowanie danych do AI
  • Czyszczenie, transformacja i inżynieria cech danych
  • Obsługa brakujących i niezbilansowanych danych
  • Skalowanie i kodowanie cech
Techniki nadzorowanego uczenia
  • Algorytmy regresji i klasyfikacji
  • Metody złożone: Random Forest, Gradient Boosting
  • Dostrajanie hiperparametrów i krzyżowa walidacja
Techniki nienadzorowanego uczenia
  • Metody klastryzacji: K-Means, DBSCAN, klastryzacja hierarchiczna
  • Redukcja wymiarowości: PCA, t-SNE
  • Przykłady zastosowań uczenia nie nadzorowanego
Sieci neuronowe i uczenie głębokie
  • Wprowadzenie do sieci neuronowych i uczenia głębokiego
  • Budowanie i trenowanie sieci neuronowych typu feedforward
  • Optymalizowanie wydajności sieci neuronowych
Uczenie wzmocnione (Reinforcement Learning Wprowadzenie)
  • Podstawowe pojęcia dotyczące agentów, środowisk i nagród
  • Wdrożenie podstawowych algorytmów uczenia wzmocnionego
  • Zastosowania uczenia wzmocnionego
Wdrażanie modeli AI
  • Zapisywanie i ładowanie wytrenowanych modeli
  • Integrowanie modeli z aplikacjami za pomocą API
  • Monitorowanie i utrzymywanie systemów AI w produkcji
Podsumowanie i kolejne kroki

Wymagania

  • Solidne zrozumienie podstaw Python programowania
  • Doświadczenie z bibliotekami analizy danych, takimi jak NumPy i pandas
  • Podstawowa wiedza na temat pojęć i algorytmów uczenia maszynowego

Grupa docelowa

  • Programiści oprogramowania, którzy chcą poszerzyć swoje umiejętności w zakresie rozwoju AI
  • Analitycy danych, którzy chcą zastosować techniki AI do złożonych zestawów danych
  • Specjaliści ds. badań i rozwoju budujący aplikacje zasilane sztuczną inteligencją
 35 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie