Lépjen kapcsolatba velünk

Kurzusleírás

1. Bevezetés az AI mérnökképzésbe

  • Mi az AI mérnöki tevékenység?
  • AI vs. Gépi tanulás vs. Mélytanulás
  • AI mérnöki életciklus
  • Az AI alkalmazása az iparágakban
  • Az AI mérnök szerepei és felelősségei

2. A mesterséges intelligencia alapjai

  • Alapvető AI fogalmak és terminológia
  • Felügyelt, felügyelet nélküli és megerősítési tanulás
  • Neurális hálózatok és mélytanulás alapjai
  • A generatív AI és az alapmodellek áttekintése
  • AI fejlesztői ökoszisztémák és keretrendszerek

3. Python az AI mérnökképzéshez

  • Az AI alapvető könyvtárai
  • NumPy, Pandas és Matplotlib
  • Adatmanipuláció és vizualizálás
  • Munka Jupyter Notebooks-szal
  • Ismételten felhasználható AI kód írása

4. Adat-előkészítés az AI-hoz

  • Adatkészletek gyűjtése és megértése
  • Adattisztítás és előfeldolgozás
  • Jellemzőmérnöki
  • Jellemzőskálázás és normalizálás
  • Adatkészletek bontása tanítási, validációs és tesztelési részekre
  • Hiányzó értékek és kiugró adatok kezelése

5. A gépi tanulás alapjai

  • Regressziós algoritmusok
  • Klasszifikációs algoritmusok
  • Összevonási technikák
  • Modellképzési munkafolyamat
  • Modellértékelési mutatók
  • Túltanulás és alul tanulás megelőzése

6. AI modellek építése TensorFlow és PyTorch segítségével

  • Bevezetés a TensorFlowba
  • Bevezetés a PyTorch-ba
  • Neurális hálózatok létrehozása
  • Modellképzés és validálás
  • Modellek mentése és betöltése
  • A két keretrendszer összehasonlítása

7. A természetes nyelvfeldolgozás alapjai

  • Szöveg-előfeldolgozás
  • Szó-beágyazások
  • Szövegbesorolás
  • Érzelem-elemzés
  • Bevezetés a transformer modellekbe
  • Gyakorlati NLP alkalmazások

8. Az AI a szoftverfejlesztésben

  • AI integrálása meglévő alkalmazásokba
  • AI szolgáltatások hívása API-kon keresztül
  • AI-alapú alkalmazások fejlesztése
  • AI-asszisztált szoftverfejlesztő eszközök
  • AI-alkalmazások tesztelése

9. Az AI mérnöki legjobb gyakorlatai

  • Projekt szervezése
  • Verziókezelés Git-tel
  • Kísérletek követése
  • Modellek verziókezelése
  • Dokumentációs szabványok
  • Ismételthajthatóság az AI projektekben

10. AI modellek telepítése

  • Modell-szerializáció
  • Következtetési szolgáltatások építése
  • REST API-k AI modellekhez
  • Docker bevezetése az AI telepítéséhez
  • A telepített modellek figyelése
  • Modellek karbantartása és frissítése

11. Az AI adatmérnöki

  • Adatvezetékek
  • ETL folyamatok
  • Szerkezeti és nem szerkezeti adatok kezelése
  • Adattárolási lehetőségek
  • Adatminőség-kezelés
  • Termelőkész adatkészletek előkészítése

12. Felelősségteljes és etikus AI

  • AI torzítás és igazságosság
  • Megmagyarázható AI (XAI)
  • Adatvédelem és adatvédelem
  • AI biztonsági szempontok
  • Felelősségteljes AI fejlesztés
  • Szabályozási és kormányzási szempontok

13. Az AI projektmenedzsment

  • AI projekt életciklus
  • Agilis módszertanok AI projektekhez
  • Együttműködés a technikai és üzleti csapatok között
  • AI projektek becslése
  • Kockázatok kezelése
  • A projekt sikerének mérése

14. Gyakorlati AI mérnöki workshop és jövőbeli trendek

  • Egy teljes AI fejlesztési munkafolyamat beállítása
  • Végrehajtó gépi tanulási projekt építése
  • Modell betanítása és értékelése TensorFlow vagy PyTorch segítségével
  • Egyszerű AI alkalmazás telepítése
  • Aktuális trendek az AI mérnökképzésben
  • A generatív AI és a nagy nyelvi modellek (LLMs)
  • MLOps és AI automatizálás
  • Pályaválasztási utak és folyamatos tanulás
  • Foglalás, Q&A és következő lépések

Követelmények

  • Az alapvető programozási fogalmak megértése
  • Tapasztalat a Python programozásban
  • Ismeretek az alapstatisztikában és lineáris algebrában

Célközönség

  • AI mérnökök
  • Szoftverfejlesztők
  • Adatelemzők
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (2)

Közelgő kurzusok

Rokon kategóriák