Kurzusleírás
1. modul: Alapvető Python az ML munkafolyamatokhoz
• Tanfolyam indítása és környezet beállítása
Egyeztessen a célokról, és állítson be egy reprodukálható Python ML munkaterületet
• A Python nyelv alapjai (gyorsított)
A szintaxis, vezérlési struktúrák, függvények és az ML-kódbázisokban gyakran használt minták áttekintése
• Adatszerkezetek ML-hez
Listák, szótárak, halmazok és tuple-ök jellemzők, címkék és metaadatok kezelésére
• Listacomprehension-ök és függvényes eszközök
Transzformációk kifejezése comprehension-ökkel és magasabbrendű függvényekkel
• Objektumorientált Python ML fejlesztőknek
Oszályok, metódusok, kompozíció és gyakorlati tervezési döntések
• dataclasses és könnyű modellalkotás
Típusos tárolók konfigurációhoz, példákhoz és eredményekhez
• Dekorátorok és kontextuskezelők
Időzítés, gyorsítótározás, naplózás és erőforrás-biztonságos végrehajtási minták
• Fájlak és elérési utak kezelése
Robusztus adattároló kezelés és sorosítási formátumok
• Kivételek és védekező programozás
ML-szkriptek írása, amelyek biztonságosan és átláthatóan kudarcot vallanak
• Modulok, csomagok és projektstruktúra
Újrahasználható ML-kódbázisok szervezése
• Típusozás és kódminőség
Típusjavaslatok (type hints), dokumentáció és linter-barát struktúra
2. modul: Numerikus Python, SciPy és adatkezelés
• NumPy alapok a vektorizált számításhoz
Hatékony tömbműveletek és teljesítménytudatos kódolás
• Indexelés, szeletelés, broadcasting és formátumok (shapes)
Biztonságos tenzormanipuláció és méretérvelés
• Lineáris algebra alapjai NumPyval és SciPyval
Stabil mátrixműveletek és felbontások, amelyeket az ML-ben használnak
• SciSy mélyebb tanulmányozása
Statisztika, optimalizálás, görbeillesztés és ritka mátrixok
• Pandas táblázatos ML-adatokhoz
Tisztítás, egyesítés, aggregálás és adatátállás előkészítése
• scikit-learn mélyebb tanulmányozása
Becsülési interfész (estimator interface), csőrendszerek és reprodukálható munkafolyamatok
• Vizuális alapok
Diagnosztikai ábrák az adatfelfedezéshez és a modell viselkedéséhez
3. modul: Programozási minták ML-alkalmazások építéséhez
• Jegyzettfüzettől a karbantartható projektig
Az exploratív kód átalakítása strukturált csomagokká
• Konfigurációkezelés
Külső paraméterek és indítási validálás
• Naplózás, figyelmeztetések és megfigyelhetőség
Szerkezeti naplózás a hibakereshető ML-rendszerekhez
• Újrahasználható komponensek OOP-val és kompozícióval
Hibátlanul bővíthető transzformer-ek és prediktorok tervezése
• Gyakorlati tervezési minták (design patterns)
Csőrendszer, Gyár vagy Regisztráció, Stratégia és Illesztőmód (Adapter) minták
• Adatvalidálás és sémaellenőrzések
Csendes adatproblémák megelőzése
• Teljesítmény és profilozás
Szűk keresztmetszetek azonosítása és optimalizálási technikák alkalmazása
• Modell I/O és előrejelzési interfészek
Biztonságos perzisztencia és tiszta előrejelzési interfészek
• Végponttól végpontig terjedő mini építés
Gyártási stílusú ML-csőrendszer konfigurációval és naplózással
4. modul: Statisztikus tanulás táblázatos, szöveges és képi adatokhoz
• Értékelés alapjai
Holddási és validációs felosztások, őszinte keresztvalidálás és üzleti szempontokból igazított metrikák
• Haladó táblázatos ML
Rendszeresített GLM-ek (általánosított lineáris modellek), fa-együtthatók (tree ensembles) és szivárgásmentes előfeldolgozás
• Kalibrálás és bizonytalanság
Platt-skálázás, izotonikus regresszió, bootstrap és konformális predikció
• Klasszikus NLP módszerek
Tokenszési kompromisszumok, TF-IDF, lineáris modellek és Naive Bayes
• Témamodellálás
LDA alapjai és gyakorlati korlátai
• Klasszikus számítógépes látás
HOG, PCA és jellemző-alapú csőrendszerek
• Hibaelemzés
Túlélés (bias) észlelése, címkézörség és álszabályos korrelációk
• Gyakorlati laborok
Szivárgásmentes táblázatos csőrendszer
Szöveges alapvonal összehasonlítása és értelmezése
Klasszikus látási alapvonal strukturált hibaelemzéssel
5. modul: Neurális hálózatok táblázatos, szöveges és képi adatokhoz
• Betanítási hurkok elsajátítása
Tiszta PyTorch loopok AMPvel (automata vegyes precizitás), clipeléssel és reprodukálhatósággal
• Optimalizálás és regularizáció
Inicializálás, normalizálás, optimalizáló algoritmusok és ütemezők
• Vegyes precizitás és skálázás
Gradiens-akkumuláció és mentési stratégiák
• Táblázatos neurális hálózatok
Kategorikus beágyazások (embeddings), jellemzőkeresztek és ablációs tanulmányok
• Szöveges neurális hálózatok
Beágyazások, CNN-ek, BiLSTM vagy GRU és szekvenciakezelés
• Képi neurális hálózatok
CNN alapok és ResNet-szerű architektúrák
• Gyakorlati laborok
Újrahasználható betanítási keretrendszer
Táblázatos NN vs. boosting összehasonlítás
CNN augmentációval és ütemezési kísérletekkel
6. modul: Haladó neurális architektúrák
• Átviteli tanulás stratégiái
Fagyasztási és engedélyezési minták, diszkriminatív tanulási ráták
• Szöveghez való Transformer-architektúrák
Az önmegfigyelés (self-attention) belső működése és finomhangolási megközelítések
• Képi backbones és sűrű előrejelzés
ResNet, EfficientNet, Vision Transformers és U-Net koncepciok
• Haladó táblázatos architektúrák
TabTransformer, FT-Transformer és Deep and Cross hálózatok
• Idősoros adatok szempontjai
Időbeli felosztások és kovariánseltolódás észlelése
• PEFT és hatékonysági technikák
LoRA, disztilláció és kvantizálási kompromisszumok
• Gyakorlati laborok
Teljesen betanított szöveges Transformer finomhangolása
Teljesen betanított képi modell finomhangolása
Táblázatos Transformer vs. GBDT összehasonlítása
7. modul: Generatív AI rendszerek
• Promptozás alapjai
Szerkezeti promptozás és kontrollált generálás
• LLM-alapok
Tokenszés, instrukcióra tanítás és hallucináció csökkentése
• Retrieval-Augmented Generation (RAG)
Kötegelés (chunking), beágyazások, hibrid keresés és értékelési metrikák
• Finomhangolási stratégiák
LoRA és QLoRA adatminőség-ellenőrzésekkel
• Diffúziós modellek
A latent diffúzió intuitív megértése és gyakorlati adaptáció
• Szintetikus táblázatos adatok
CTGAN és adatvédelmi szempontok
• Gyakorlati laborok
Gyártási stílusú RAG mini-alkalmazás
Szerkezeti kimenet validálása séma-kényszerítéssel
Opcionális diffúziós kísérletezés
8. modul: AI ügynökök és MCP
• Ügynök hurok tervezése
Megfigyelés, tervezés, cselekvés, reflexió és perzisztencia
• Ügynök architektúrák
ReAct, terv-végrehajtás és többügynök koordináció
• Memória kezelés
Epizódikus, szemantikus és scratchpad megközelítések
• Eszközintegráció és biztonság
Eszköz szerződések, szandboxolás és prompt-injektio védelem
• Értékelési keretrendszerek
Visszajátszható nyomkövetések, feladatkészletek és regressziós tesztelés
• MCP és protokoll-alapú interoperabilitás
MCP szerverek tervezése biztonságos eszköz-kivitelivel
• Gyakorlati laborok
Az ügynök építése nulláról
Eszközök kitétele MCP-szerű szerveren
Értékelési keretrendszer létrehozása biztonsági korlátozásokkal
Követelmények
A résztvevőknek gyakorlati tudással kell rendelkezniük a Python-programozásban.
Ez a program középszintűtől haladó szintűig terjedő technikai szakemberek számára készült.
Vélemények (3)
Nagyon tetszett, hogy időt szántunk a CHAT GPT-vel való játszozgatásra. A terem ebben az esetben nem volt a legmegfelelőbb - helyette egy nagy asztalra több kisebb asztalt kellett volna beállítani, így csoportokban lehettünk volna, és ötletekkel gondolkodhattunk volna.
Nola - Laramie County Community College
Kurzus - Artificial Intelligence (AI) Overview
Gépi fordítás
Fókuszált munka az első elvekből indulva, majd ugyanabból a naptól esettanulmányok alkalmazásához való átmenet
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurzus - Artificial Neural Networks, Machine Learning, Deep Thinking
Gépi fordítás
Annak ellenére, hogy valódi céges adatokat használt. A tanár nagyon jó megközelítést alkalmazott a tanulók részvételének és versengésének elősegítésével
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurzus - Applied AI from Scratch in Python
Gépi fordítás
