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
1. Въведение в инженерството в изкуствения интелект
- Какво е инженерство в изкуствения интелект?
- ИИ срещу машинно обучение versus дълбоко обучение
- Животен цикъл на инженерството в ИИ
- Приложения на ИИ в различни индустрии
- Роли и отговорности на инженер в областта на ИИ
2. Основи на изкуствения интелект
- Основни концепции и терминология за ИИ
- Надзирани, ненадзирани и подкрепяеми обучения
- Невронни мрежи и основи на дълбокото обучение
- Обобщен преглед на генеративния ИИ и основните модели
- Екосистеми и рамки за разработване на ИИ
3. Python за инженерство в изкуствения интелект
- Необходими библиотеки на Python за ИИ
- NumPy, Pandas и Matplotlib
- Работа с данни и визуализация
- Работа с Jupyter Notebooks
- Писане на повторимо използваем код за ИИ
4. Подготовка на данни за ИИ
- Събиране и разбиране на набори от данни
- Почистване и предобработване на данни
- Инженерство на характеристики
- Мащабиране и нормализиране на характеристики
- Разделяне на наборите от данни за обучение, валидация и тестове
- Обработка на липсващи стойности и изключения
5. Основи на машинното обучение
- Алгоритми за регресия
- Алгоритми за класификация
- Техники за групуване (clustering)
- Работен процес на обучаване на моделите
- Метрики за оценка на модели
- Предотвратяване на пренаучаване и недоучаване
6. Създаване на модели за ИИ с TensorFlow и PyTorch
- Въведение в TensorFlow
- Въведение в PyTorch
- Създаване на невронни мрежи
- Обучение и валидация на моделите
- Запазване и зареждане на модели
- Сравняване на двете рамки
7. Основи на обработката на естествен език (NLP)
- Предварителна обработка на текста
- Вграждания на думи
- Класификация на текст
- Анализ на емоции (sentiment analysis)
- Въведение в моделите трансформатори
- Практически приложения на NLP
8. ИИ в софтуерното разработване
- Интегриране на ИИ в съществуващи приложения
- Извикване на услуги за ИИ чрез API-та
- Разработване на приложения, задвижвани от ИИ
- Инструменти за разработване на софтуер с помощта на ИИ
- Тестване на приложения с функционалност ИИ
9. Най-добри практики в инженерството на изкуствения интелект
- Организиране на проекти
- Контрол на версиите с Git
- Проследяване на експерименти
- Версионизиране на модели
- Стандарти за документация
- Възпроизводимост в проекти за ИИ
10. Разгръщане на модели за ИИ
- Сериализация на модели
- Изграждане на услуги за извеждане (inference)
- REST API за модели за ИИ
- Въведение в Docker за разгръщане на ИИ
- Мониторинг на разгърнатите модели
- Поддръжка и актуализации на моделите
11. Инженерство на данни за ИИ
- Данни пайплайни
- Процеси ETL
- Управление на структурирани и неструктурирани данни
- Опции за съхранение на данни
- Управление на качеството на данните
- Подготовка на готови за производство набори от данни
12. Отговорен и етичен изкуствен интелект
- Пристрастия и справедливост в ИИ
- Обясним изкуствен интелект (XAI)
- Поверителност и защита на данните
- Сигурност на ИИ
- Отговорно развитие на ИИ
- Регулаторни и управленски съображения
13. Управление на проекти за ИИ
- Животен цикъл на проект за ИИ
- Agile методиология за проекти с ИИ
- Сътрудничество между технически и бизнес екипи
- Оценяване на проектите за ИИ
- Управление на рискове
- Измерване на успеха на проекта
14. Практическо работилница за инженерство в ИИ и бъдещи тенденции
- Настройване на пълен работен процес за разработка на ИИ
- Изграждане на край-до-край проект за машинно обучение
- Обучаване и оценяване на модел с TensorFlow или PyTorch
- Разгръщане на просто приложение за ИИ
- Текущи тенденции в инженерството на изкуствения интелект
- Генеративен ИИ и големи езикови модели (LLM)
- MLOps и автоматизация на ИИ
- Кариерни пътища и непрекъснато обучение
- Обобщение, въпроси и отговори, следващи стъпки
Изисквания
- Разбиране на основните програмиращи концепции
- Опит с програмирането на Python
- Запознатост с основната статистика и линейна алгебра
Целева група
- Инженери в областта на изкуствения интелект
- Софтуерни разработчици
- Анализатори на данни
14 Часа
Отзиви от участници (2)
Представените обширни инструменти
Miruna Buzduga - Aeronamic Eastern Europe
Курс - AI Enablement Training for Engineers
Машинен превод
Поетапно обучение с много упражнения. Беше като работилница и съм много щастлив за това.
Ireneusz - Inter Cars S.A.
Курс - Intelligent Applications Fundamentals
Машинен превод