Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a mesterséges intelligenciába
- Mi az MI, és hol használják?
- MI vs. gépi tanulás vs. mély tanulás
- Népszerű eszközök és platformok
Python az MI-hez
- Python alapok ismétlése
- A Jupyter Notebook használata
- Könyvtárak telepítése és kezelése
Munka az adatokkal
- Adatelőkészítés és -tisztítás
- A Pandas és a NumPy használata
- Vizualizáció Matplotlib és Seaborn segítségével
A gépi tanulás alapjai
- Felügyelt vs. felügyelet nélküli tanulás
- Osztályozás, regresszió és klaszterezés
- Modelltanítás, -validálás és -tesztelés
Neurális hálózatok és mély tanulás
- Neurális hálózati architektúra
- A TensorFlow vagy a PyTorch használata
- Modellek építése és tanítása
Természetes nyelvek és számítógépes látás
- Szövegosztályozás és érzelemelemzés
- A képfelismerés alapjai
- Előre tanított modellek és transzfer tanulás
MI telepítése alkalmazásokban
- Modellek mentése és betöltése
- MI-modellek használata API-kban vagy webalkalmazásokban
- Bevált gyakorlatok a teszteléshez és karbantartáshoz
Összefoglalás és következő lépések
Követelmények
- A programozási logika és struktúrák ismerete
- Tapasztalat Python vagy hasonló magas szintű programozási nyelvek terén
- Alapvető jártasság az algoritmusok és adatszerkezetek terén
Célközönség
- IT-rendszerszakértők
- Szoftverfejlesztők, akik MI-t szeretnének integrálni
- Mérnökök és műszaki vezetők, akik MI-alapú megoldásokat keresnek
40 Órák
Vélemények (1)
Hogy megszereztem tudást a Python Streamlit könyvtárról, és biztosan megpróbálom használni annak érdekében, hogy fejlesszem a csapatomban használt R Shiny alkalmazásokat.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurzus - GitHub Copilot for Developers
Gépi fordítás