Свържете се с нас

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

Брой участници


Цена за участник

Отзиви от участници (2)

Предстоящи Курсове

Свързани Kатегории