Μαθήματα AI για Προγραμματιστές

Μάθημα 1 • Τι είναι πραγματικά η Τεχνητή Νοημοσύνη

Ορίζει την ΤΝ, τη μηχανική μάθηση και τη βαθιά μάθηση ως διακριτά επίπεδα. Θεμελιώνει αφηρημένους ορισμούς σε συγκεκριμένες προγραμματιστικές εργασίες που οι προγραμματιστές ήδη αναγνωρίζουν.

Μάθημα 2 • Ιστορία και Ορόσημα της Τεχνητής Νοημοσύνης

Ανιχνεύει βασικές ανακαλύψεις από τα πρώιμα perceptron έως τα μοντέλα transformer. Παρέχει το πλαίσιο για το γιατί οι σύγχρονες τεχνικές κυριαρχούν στην τρέχουσα πρακτική.

Μάθημα 3 • Απαραίτητα Μαθηματικά για ΤΝ

Επισκοπεί έννοιες γραμμικής άλγεβρας, πιθανοτήτων και λογισμού που χρησιμοποιούνται καθημερινά στον κώδικα ΤΝ. Εστιάζει στη διαίσθηση και την εφαρμογή σε επίπεδο κώδικα αντί για επίσημες αποδείξεις.

Μάθημα 4 • Βασικές Κατηγορίες Προβλημάτων ΤΝ

Αντιστοιχίζει την εποπτευόμενη, τη μη εποπτευόμενη και την ενισχυτική μάθηση σε πραγματικές μηχανικές εργασίες. Δίνει τη δυνατότητα στους προγραμματιστές να πλαισιώνουν νέα προβλήματα στο σωστό παράδειγμα μάθησης.

Μάθημα 1 • Μηχανική και Μετασχηματισμός Χαρακτηριστικών

Μετασχηματίζει ακατέργαστα πεδία σε χαρακτηριστικά έτοιμα για μοντέλο μέσω κωδικοποίησης, κλιμάκωσης και συνάθροισης. Δείχνει πώς η ποιότητα των χαρακτηριστικών επηρεάζει άμεσα την ακρίβεια του μοντέλου.

Μάθημα 2 • Συλλογή και Εισαγωγή Δεδομένων

Καλύπτει την εξαγωγή δεδομένων ιστού, την εισαγωγή μέσω API και την εξαγωγή από βάσεις δεδομένων για σύνολα δεδομένων ΤΝ. Εδραιώνει νομικά και ηθικά όρια γύρω από την προέλευση δεδομένων.

Μάθημα 3 • Δημιουργία Αναπαραγώγιμων Αγωγών Δεδομένων

Συσκευάζει μετασχηματισμούς δεδομένων σε εκδοχικά διαχειρίσιμα, ελέγξιμα στάδια αγωγού. Εισάγει εργαλεία εκδοχικής διαχείρισης δεδομένων για την παρακολούθηση αλλαγών σε σύνολα δεδομένων κατά τη διάρκεια πειραμάτων.

Μάθημα 4 • Καθαρισμός και Επικύρωση Δεδομένων

Εφαρμόζει προγραμματιστικές τεχνικές για τον εντοπισμό και τη διόρθωση ελλειπουσών τιμών, ακραίων τιμών και διπλότυπων. Επικυρώνει σχήματα και κατανομές πριν τα δεδομένα εισέλθουν σε έναν αγωγό εκπαίδευσης.

Μάθημα 1 • Ομαδοποίηση και Μείωση Διαστατικότητας

Εφαρμόζει k-means, DBSCAN, PCA και t-SNE σε μη εποπτευόμενες εργασίες ανακάλυψης. Διδάσκει μετρικές αξιολόγησης για σενάρια μη επισημασμένων δεδομένων.

Μάθημα 2 • Μοντέλα Βασισμένα σε Δέντρα

Κατασκευάζει δέντρα αποφάσεων, τυχαία δάση και δέντρα ενισχυμένης κλίσης με συντονισμένες υπερπαραμέτρους. Εξηγεί τους μηχανισμούς συνόλου που καθιστούν την ενίσχυση κορυφαία σε δεδομένα πινάκων.

Μάθημα 3 • Γραμμική και Λογιστική Παλινδρόμηση

Υλοποιεί παλινδρόμηση με κάθοδο κλίσης από την αρχή πριν χρησιμοποιήσει εκδόσεις βιβλιοθήκης. Εδραιώνει τον βρόχο βελτιστοποίησης απώλειας που μοιράζονται όλα τα επόμενα μοντέλα.

Μάθημα 4 • Αξιολόγηση και Επιλογή Μοντέλου

Εφαρμόζει διασταυρούμενη επικύρωση, πίνακες σύγχυσης, καμπύλες ROC και διαγράμματα βαθμονόμησης για σύγκριση μοντέλων. Αποτρέπει τη διαρροή δεδομένων μέσω σωστών διαχωρισμών εκπαίδευσης-επικύρωσης-ελέγχου.

Μάθημα 1 • Ανατομία ενός Νευρωνικού Δικτύου

Ορίζει επίπεδα, νευρώνες, βάρη, πολώσεις και συναρτήσεις ενεργοποίησης ως συνθέσιμα αντικείμενα κώδικα. Συνδέει το εμπρόσθιο πέρασμα με ένα διαφορίσιμο γράφο υπολογισμού.

Μάθημα 2 • Εκπαίδευση σε Κλίμακα με Πλαίσια

Υλοποιεί βρόχους εκπαίδευσης σε PyTorch και TensorFlow με επιτάχυνση GPU. Καλύπτει φορτωτές δεδομένων, εκπαίδευση μικτής ακρίβειας και διαχείριση σημείων ελέγχου.

Μάθημα 3 • Οπισθοδιάδοση και Βελτιστοποιητές

Παράγει την οπισθοδιάδοση μέσω του κανόνα της αλυσίδας και την υλοποιεί χειροκίνητα πριν χρησιμοποιήσει την αυτόματη παραγώγιση. Συγκρίνει SGD, Adam και RMSProp ως προς την ταχύτητα σύγκλισης και τη σταθερότητα.

Μάθημα 4 • Αποσφαλμάτωση Εκπαίδευσης Νευρωνικού Δικτύου

Διαγιγνώσκει κλίσεις που εξαφανίζονται, κλίσεις που εκρήγνυνται και νεκρούς νευρώνες χρησιμοποιώντας διαγνωστικά εργαλεία. Εδραιώνει μια συστηματική ροή εργασίας αποσφαλμάτωσης εφαρμόσιμη σε οποιαδήποτε αρχιτεκτονική.

Μάθημα 1 • Μάθηση Μεταφοράς και Λεπτομερής Ρύθμιση

Προσαρμόζει προεκπαιδευμένα μοντέλα ImageNet σε νέες εργασίες με περιορισμένα επισημασμένα δεδομένα. Καλύπτει στρατηγικές παγώματος επιπέδων και χρονοπρογραμματισμό ρυθμού μάθησης για λεπτομερή ρύθμιση.

Μάθημα 2 • Αρχιτεκτονικές Ανίχνευσης Αντικειμένων

Υλοποιεί ανιχνευτές βασισμένους σε άγκυρες και χωρίς άγκυρες για τον εντοπισμό αντικειμένων σε εικόνες. Αξιολογεί ανιχνευτές χρησιμοποιώντας μέση μέση ακρίβεια και κατώφλια IoU.

Μάθημα 3 • Συνελικτικά Νευρωνικά Δίκτυα

Εξηγεί τη συνέλιξη, τη συγκέντρωση και τα δεκτικά πεδία ως εξαγωγείς χωρικών χαρακτηριστικών. Υλοποιεί ένα CNN από την αρχή και ανιχνεύει χάρτες χαρακτηριστικών σε κάθε επίπεδο.

Μάθημα 4 • Επαύξηση Δεδομένων Όρασης

Σχεδιάζει αγωγούς επαύξησης που βελτιώνουν τη γενίκευση χωρίς να αλλοιώνουν τις ετικέτες. Καλύπτει γεωμετρικές, χρωματικές και προηγμένες στρατηγικές επαύξησης.

Μάθημα 1 • Εμβάθυνση στην Αρχιτεκτονική Transformer

Υλοποιεί αυτο-προσοχή πολλαπλών κεφαλών και κωδικοποίηση θέσης από την αρχή. Ανιχνεύει πώς διαφέρουν τα BERT και GPT στους στόχους προεκπαίδευσης και στην καθοδική χρήση.

Μάθημα 2 • Λεπτομερής Ρύθμιση Προεκπαιδευμένων Γλωσσικών Μοντέλων

Προσαρμόζει μοντέλα της οικογένειας BERT σε εργασίες ταξινόμησης, NER και QA με κεφαλές ειδικές για την εργασία. Εφαρμόζει αποδοτικές ως προς τις παραμέτρους μεθόδους όπως το LoRA για μείωση του υπολογιστικού κόστους.

Μάθημα 3 • Μηχανική Προτροπών και API LLM

Σχεδιάζει αποτελεσματικές προτροπές για LLM συντονισμένα σε οδηγίες χρησιμοποιώντας πρότυπα μηδενικής και λίγων παραδειγμάτων. Ενσωματώνει API LLM σε κώδικα παραγωγής με ανάλυση δομημένης εξόδου.

Μάθημα 4 • Αναπαράσταση και Προεπεξεργασία Κειμένου

Μετατρέπει ακατέργαστο κείμενο σε αριθμητικές αναπαραστάσεις μέσω διαχωρισμού λέξεων, ενσωματώσεων και TF-IDF. Εδραιώνει την αλυσίδα προεπεξεργασίας που τροφοδοτεί οποιοδήποτε μοντέλο ΕΦΓ.

Μάθημα 1 • Συσκευασία Μοντέλου και Κοντεινερισμός

Σειριοποιεί μοντέλα και τα τυλίγει σε κοντέινερ Docker με απομόνωση εξαρτήσεων. Προετοιμάζει φορητές εικόνες μοντέλου αναπτύξιμες σε οποιονδήποτε στόχο νέφους ή on-premise.

Μάθημα 2 • CI/CD για Μηχανική Μάθηση

Αυτοματοποιεί τη δοκιμή, την επικύρωση και την ανάπτυξη μοντέλου μέσω αγωγών CI/CD ειδικών για ΜΜ. Ενσωματώνει πύλες ποιότητας δεδομένων και μοντέλου πριν από οποιαδήποτε προώθηση στην παραγωγή.

Μάθημα 3 • Παρακολούθηση Πειραμάτων και Αναπαραγωγιμότητα

Καταγράφει υπερπαραμέτρους, μετρικές και αντικείμενα με MLflow και Weights and Biases. Επιτρέπει την αναπαραγώγιμη σύγκριση πειραμάτων μεταξύ μελών ομάδας και εκτελέσεων.

Μάθημα 4 • Εξυπηρέτηση Μοντέλων ως API

Κατασκευάζει τελικά σημεία συμπερασμού REST και gRPC με FastAPI και TorchServe. Εφαρμόζει ομαδοποίηση, προσωρινή αποθήκευση και ασύγχρονο χειρισμό για την ικανοποίηση απαιτήσεων καθυστέρησης.

Μάθημα 1 • Σχεδιασμός Αγωγών Πολλαπλών Μοντέλων

Συνθέτει εξειδικευμένα μοντέλα σε ενορχηστρωμένους αγωγούς με λογική δρομολόγησης και εφεδρείας. Εφαρμόζει αρχές σχεδιασμού συστημάτων σε απαιτήσεις αξιοπιστίας ειδικές για ΤΝ.

Μάθημα 2 • Πράκτορες ΤΝ και Χρήση Εργαλείων

Κατασκευάζει πράκτορες που υποστηρίζονται από LLM, οι οποίοι σχεδιάζουν, καλούν εργαλεία και επαναλαμβάνουν προς στόχους αυτόνομα. Υλοποιεί πρότυπα ReAct και κλήσης συναρτήσεων με κιγκλιδώματα ασφαλείας.

Μάθημα 3 • Υπεύθυνη ΤΝ και Διακυβέρνηση

Ενσωματώνει ελέγχους δικαιοσύνης, εργαλεία επεξηγησιμότητας και τεχνικές διατήρησης ιδιωτικότητας στον σχεδιασμό συστήματος. Ευθυγραμμίζει τα συστήματα ΤΝ με τις απαιτήσεις οργανωτικού κινδύνου και συμμόρφωσης.

Μάθημα 4 • Κλιμακούμενη Υποδομή ΤΝ

Προμηθεύει συμπλέγματα GPU, εργασίες κατανεμημένης εκπαίδευσης και αυτόματη κλιμάκωση συμπερασμού σε πλατφόρμες νέφους. Βελτιστοποιεί το κόστος υποδομής μέσω στιγμιαίων στιγμιότυπων και κβαντοποίησης μοντέλου.