Mesterséges intelligencia képzés

1. óra • MI-etika és felelős tervezés

Bevezeti a torzítás, méltányosság, átláthatóság és elszámoltathatóság elveit. Az etikus gondolkodást a kurzus során vitathatatlan tervezési követelményként rögzíti.

2. óra • A tudásreprezentáció alapjai

Magyarázza a propozíciós és elsőrendű logikát, valamint a szemantikus hálózatokat, bemutatva, hogy a szimbolikus reprezentációk hogyan kódolják a tényeket és kapcsolatokat. Bemutatja a szimbolikus és neurális módszerek integrációját.

3. óra • Intelligens ágensek és környezetek

Meghatározza a racionális ágenseket, a PEAS keretrendszert és a környezettípusokat. A hallgatók képesek az adott feladatkörnyezetekhez igazodó ágensarchitektúrák tervezésére.

4. óra • A MI története és fejlődése

Nyomon követi a MI-t a szimbolikus logikától a mélytanulásig, kiemelve a meghatározó áttöréseket. Kontextust biztosít annak megértéséhez, hogy a modern technikák miért és hol teljesítenek kiemelkedően.

1. óra • A felügyelt tanulás alapjai

Lefedi a címkézett adatokat, a veszteségfüggvényeket és a gradiensalapú optimalizálást. Ez képezi a gerincét a neurális hálózatok és a későbbi haladó modellek megértésének.

2. óra • Osztályozási algoritmusok mélyrehatóan

Megvizsgálja a logisztikus regressziót, a döntési fákat, az SVM-eket és a k-NN-t. Lefedi a tanítási pipeline-okat, a hiperparamétereket és az értékelést, hogy a hallgatók meg tudják valósítani és össze tudják hasonlítani az egyes osztályozókat referencia adathalmazokon.

3. óra • Regressziós és előrejelzési modellek

Felépíti a lineáris és polinomiális regressziós modelleket statisztikai értelmezéssel. Összeköti az előrejelzési pontosságot az üzleti és tudományos döntéshozatallal.

4. óra • Felügyelet nélküli tanulási módszerek

Feltárja a klaszterezést, a dimenziócsökkentést és a sűrűségbecslést. A hallgatók rejtett struktúrákat fedeznek fel címkézetlen adatokban feltáró elemzés céljából.

1. óra • Visszaterjesztés és optimalizálás

Levezeti a visszaterjesztést a láncszabály segítségével, és tárgyalja az Adam, RMSProp és SGD algoritmusokat. A hallgatók hibakeresést végeznek az eltűnő gradiensekkel kapcsolatban, és hatékonyan hangolják az optimalizálókat.

2. óra • Rekurrens hálózatok és szekvenciamodellek

Megvizsgálja a rekurrens neurális hálózatokat, az LSTM és GRU egységeket szekvenciális adatok modellezésére. Lefedi a kigöngyölést, az időbeli visszaterjesztést és gyakorlati szempontokat, összekapcsolva ezeket a technikákat a természetes nyelvfeldolgozással és az idősor-előrejelzéssel.

3. óra • Regularizáció és gyakorlati tanítás

Alkalmazza a dropoutot, a korai leállítást és a vegyes pontosságú tanítást valós hálózatokon. A hallgatók csökkentik a túltanulást és lerövidítik a tanítási időt GPU-hardveren.

4. óra • Konvolúciós neurális hálózatok

Lefedi a konvolúciót, a poolingot és a jellemzőtérkép-értelmezést képfeladatokhoz. A hallgatók CNN-eket építenek és alkalmazzák a transfer learninget egyedi adathalmazokon.

1. óra • Szóbeágyazások és szemantikus tér

Betanítja és alkalmazza a Word2Vec, GloVe és FastText beágyazásokat, bemutatva, hogy a sűrű vektorok hogyan ragadják meg a szemantikai hasonlóságot. Tartalmazza az értékelési technikákat és a beágyazási terek feltárására szolgáló vizualizációkat.

2. óra • Transzformer architektúra mélyrehatóan

Boncolgatja a többfejes önfigyelést, a pozíciókódolást és a kódoló-dekódoló vermeket. Megadja a nagy nyelvi modellek finomhangolásához szükséges architekturális megértést.

3. óra • Előre betanított modellek és finomhangolás

Finomhangolja a BERT, RoBERTa és GPT változatokat domain-specifikus feladatokon. A hallgatók korlátozott címkézett adattal érnek el csúcstejesítményű NLP-eredményeket.

4. óra • NLP alkalmazások és pipeline-ok

Végpontok közötti pipeline-okat épít szentimentanalízishez, NER-hez és összefoglaláshoz. Integrálja az előfeldolgozást, a modellezést és a telepítést éles rendszerekké.

1. óra • Látás-transzformerek és modern architektúrák

Alkalmazza a Vision Transzformereket, a CLIP-et és a DINO-t képbesoroláshoz és zero-shot felismeréshez. Magyarázza a patch-beágyazást, az önfigyelést és a kontrasztív tanulást, összekapcsolva az NLP transzformer fogalmakat a modern látásrendszerekkel.

2. óra • Generatív modellek képekhez

GAN-okat és variációs autókódolókat épít valósághű képek szintetizálására és stílusátvitelre. Feltárja a látens tér manipulációját, a tanítási stabilitási trükköket és a generálás minőségének és változatosságának értékelésére szolgáló mérőszámokat.

3. óra • Objektumdetektálási architektúrák

Összehasonlítja a YOLO-t, a Faster R-CNN-t és az SSD-t valós idejű és pontos detektáláshoz. A hallgatók detektorokat tanítanak egyedi adathalmazokon határolókeret-annotációkkal.

4. óra • Szemantikus és példányalapú szegmentáció

Implementálja az U-Net-et és a Mask R-CNN-t pixeles szegmentációhoz, részletezve a kódoló-dekódoló terveket és a maszkgenerálási pipeline-okat. Összeköti ezeket a technikákat olyan területekkel, mint az orvosi képalkotás, az autonóm vezetés és a robotika.

1. óra • Modellmentes értékalapú módszerek

Implementálja a Q-learninget, a SARSA-t és a Deep Q-Network-öket Gym környezeteken. A hallgatók megértik az időbeli különbségtanulást és az élményvisszajátszást.

2. óra • Markov-döntési folyamatok

Formalizálja az állapotokat, cselekvéseket, jutalmakat és átmeneti dinamikát matematikailag. Megadja az elméleti alapot minden megerősítéses tanulási algoritmushoz.

3. óra • Többágenses és hierarchikus RL

Kiterjeszti az RL-t együttműködő és versengő többágenses beállításokra és készséghierarchiákra. Felkészíti a hallgatókat valós összetett rendszerirányításra.

4. óra • Haladó RL: PPO és SAC

Alkalmazza a Proximal Policy Optimizationt és a Soft Actor-Critic-et összetett feladatokra. A hallgatók stabil tanítást érnek el folyamatos vezérlési referenciaértékeken.

1. óra • Finomhangolás és igazítás

Alkalmazza a felügyelt finomhangolást, az RLHF-et és a közvetlen preferenciaoptimalizálást az LLM-ek emberi szándékokhoz való igazítására. A hallgatók domain-specifikus modelleket hoznak létre, amelyek követik az utasításokat, miközben betartják a biztonsági korlátokat.

2. óra • Prompt-tervezés és kontextuson belüli tanulás

Alkalmazza a zero-shot, few-shot, gondolkodási lánc és strukturált promptolási technikákat. A hatékony promptolás megsokszorozza a modell képességeit paraméterfrissítések nélkül.

3. óra • LLM architektúra és skálázási törvények

Elemzi a GPT, LLaMA és Mistral architektúrákat a Chinchilla skálázási törvényekkel együtt. A hallgatók megjósolják a modell képességeit a számítási és adatkeretekből.

4. óra • LLM ágensek és eszközhasználat

Autonóm ágenseket épít ReAct, függvényhívás és többágenses keretrendszerek segítségével. A hallgatók olyan ágenseket telepítenek, amelyek terveznek, eszközöket használnak és több lépésből álló feladatokat oldanak meg.

1. óra • Monitorozás és modellkarbantartás

Implementálja a drift-észlelést, a riasztást és az újratanítási trigger-eket éles környezetben. Megakadályozza a néma modellromlást, amely idővel erodálja az üzleti értéket.

2. óra • Kísérletkövetés és reprodukálhatóság

Az MLflow, Weights & Biases és DVC használata a kísérletek szisztematikus naplózásához. A reprodukálhatóság lehetővé teszi a csapatmunkát és a szabályozási megfelelést.

3. óra • Modell kiszolgálás és telepítés

Modelleket telepít REST API-kon, batch pipeline-okon és edge futtatási környezeteken keresztül. Végigvezeti a hallgatókat a Docker konténerizáción, a modell szerializáción és a skálázható kiszolgálási stratégiákon a teljesítmény és megbízhatóság érdekében.

4. óra • Skálázható tanítási infrastruktúra

Elosztott tanítást konfigurál Horovod és felhő GPU-fürtök segítségével. A hallgatók párhuzamosítási stratégiákkal csökkentik a nagy modellek tanítási idejét.