Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Съдържание и теми, включени в курса
Въведение в изкуствения интелект
- Какво представлява AI и къде се използва?
- AI срещу машинно обучение срещу дълбоко обучение
- Популярни инструменти и платформи
Python за AI
- Освежаване на основите на Python
- Използване на Jupyter Notebook
- Инсталиране и управление на библиотеки
Работа с данни
- Подготовка и почистване на данни
- Използване на Pandas и NumPy
- Визуализация с Matplotlib и Seaborn
Основи на машинното обучение
- Обучение с учител срещу обучение без учител
- Класификация, регресия и клъстеризация
- Обучение, валидиране и тестване на модели
Невронни мрежи и дълбоко обучение
- Архитектура на невронната мрежа
- Използване на TensorFlow или PyTorch
- Изграждане и обучение на модели
Обработка на естествен език и компютърно зрение
- Класификация на текст и анализ на тоналността
- Основи на разпознаването на изображения
- Предварително обучени модели и трансферно обучение
Внедряване на AI в приложения
- Запазване и зареждане на модели
- Използване на AI модели в API или уеб приложения
- Най-добри практики за тестване и поддръжка
Обобщение и следващи стъпки
Изисквания
- Разбиране на програмната логика и структури
- Опит с Python или подобни езици за програмиране от високо ниво
- Основна запознатост с алгоритми и структури от данни
Аудитория
- ИТ системни професионалисти
- Софтуерни разработчици, стремящи се да интегрират AI
- Инженери и технически мениджъри, проучващи решения, базирани на AI
40 Часа
Отзиви от участници (1)
Придобих знания за библиотеката Streamlit на Python и със сигурност ще опитам да я използвам, за да подобря приложенията в моя екип, които са създадени с R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Курс - GitHub Copilot for Developers
Машинен превод