Kursus Kecerdasan Buatan (AI)

Pelajaran 1 • Etika AI dan Reka Bentuk Bertanggungjawab

Memperkenalkan prinsip bias, keadilan, ketelusan, dan akauntabiliti. Mewujudkan penaakulan etika sebagai kekangan reka bentuk yang tidak boleh dirunding sepanjang kursus.

Pelajaran 2 • Asas Perwakilan Pengetahuan

Menerangkan logik proposisi dan logik peringkat pertama serta rangkaian semantik, menunjukkan cara perwakilan simbolik mengekod fakta dan hubungan. Menunjukkan integrasi yang menggabungkan kaedah simbolik dan neural.

Pelajaran 3 • Ejen Pintar dan Persekitaran

Mentakrifkan ejen rasional, rangka kerja PEAS, dan jenis persekitaran. Pelajar boleh mereka bentuk seni bina ejen yang sesuai dengan persekitaran tugas tertentu.

Pelajaran 4 • Sejarah dan Evolusi AI

Menjejak AI daripada logik simbolik kepada pembelajaran mendalam, menonjolkan kejayaan penting. Menyediakan konteks untuk memahami mengapa teknik moden muncul dan di mana ia cemerlang.

Pelajaran 1 • Asas Pembelajaran Berselia

Meliputi data berlabel, fungsi kerugian, dan pengoptimuman berasaskan kecerunan. Membentuk tulang belakang untuk memahami rangkaian neural dan model lanjutan kemudiannya.

Pelajaran 2 • Algoritma Pengelasan Secara Mendalam

Meneliti regresi logistik, pokok keputusan, SVM, dan k‑NN. Meliputi saluran paip latihan, hiperparameter, dan penilaian supaya pelajar dapat melaksanakan dan membandingkan setiap pengelas pada set data penanda aras.

Pelajaran 3 • Regresi dan Model Ramalan

Membina model regresi linear dan polinomial dengan tafsiran statistik. Menghubungkan ketepatan ramalan kepada pembuatan keputusan perniagaan dan saintifik.

Pelajaran 4 • Kaedah Pembelajaran Tidak Berselia

Meneroka pengelompokan, pengurangan dimensi, dan anggaran ketumpatan. Pelajar menemui struktur tersembunyi dalam data tidak berlabel untuk analisis penerokaan.

Pelajaran 1 • Perambatan Balik dan Pengoptimuman

Menerbitkan perambatan balik melalui petua rantai dan meliputi Adam, RMSProp, dan SGD. Pelajar menyahpepijat kecerunan lenyap dan menala pengoptimum dengan berkesan.

Pelajaran 2 • Rangkaian Ulangan dan Model Jujukan

Meneliti rangkaian neural ulangan, unit LSTM dan GRU untuk memodelkan data jujukan. Meliputi pembukaan gegulung, perambatan balik melalui masa, dan pertimbangan praktikal, menghubungkan teknik ini kepada NLP dan ramalan siri masa.

Pelajaran 3 • Regularisasi dan Latihan Praktikal

Menggunakan keciciran, pemberhentian awal, dan latihan ketepatan campuran pada rangkaian sebenar. Pelajar mengurangkan pemasangan lampau dan memendekkan masa latihan pada perkakasan GPU.

Pelajaran 4 • Rangkaian Neural Konvolusional

Meliputi konvolusi, penggabungan, dan tafsiran peta ciri untuk tugas imej. Pelajar membina CNN dan menggunakan pemindahan pembelajaran pada set data tersuai.

Pelajaran 1 • Pembenaman Perkataan dan Ruang Semantik

Melatih dan menggunakan pembenaman Word2Vec, GloVe, dan FastText, menunjukkan cara vektor padat menangkap persamaan semantik. Termasuk teknik penilaian dan visualisasi untuk meneroka ruang pembenaman.

Pelajaran 2 • Penerokaan Mendalam Seni Bina Transformer

Membedah perhatian kendiri berbilang kepala, pengekodan kedudukan, dan timbunan pengekod-penyahkod. Menyediakan pemahaman seni bina yang diperlukan untuk menala halus model bahasa besar.

Pelajaran 3 • Model Terlatih dan Penalaan Halus

Menala halus varian BERT, RoBERTa, dan GPT pada tugas khusus domain. Pelajar mencapai hasil NLP terkini dengan data berlabel yang terhad.

Pelajaran 4 • Aplikasi dan Saluran Paip NLP

Membina saluran paip hujung-ke-hujung untuk analisis sentimen, NER, dan rumusan. Mengintegrasikan prapemprosesan, pemodelan, dan penggunaan ke dalam sistem sedia pengeluaran.

Pelajaran 1 • Transformer Penglihatan dan Seni Bina Moden

Menggunakan Transformer Penglihatan, CLIP, dan DINO untuk pengelasan imej dan pengecaman sifar‑dewasa. Menerangkan pembenaman tampalan, perhatian kendiri, dan pembelajaran kontrastif, menghubungkan konsep transformer NLP kepada sistem penglihatan moden.

Pelajaran 2 • Model Generatif untuk Imej

Membina GAN dan pengekod automatik variasi untuk mensintesis imej realistik dan melakukan pemindahan gaya. Meneroka manipulasi ruang terpendam, helah kestabilan latihan, dan metrik untuk menilai kualiti dan kepelbagaian penjanaan.

Pelajaran 3 • Seni Bina Pengesanan Objek

Membandingkan YOLO, Faster R-CNN, dan SSD untuk pengesanan masa nyata dan tepat. Pelajar melatih pengesan pada set data tersuai dengan anotasi kotak sempadan.

Pelajaran 4 • Segmentasi Semantik dan Kejadian

Melaksanakan U‑Net dan Mask R‑CNN untuk segmentasi peringkat piksel, memperincikan reka bentuk pengekod-penyahkod dan saluran paip penjanaan topeng. Menghubungkan teknik ini kepada domain seperti pengimejan perubatan, pemanduan autonomi, dan robotik.

Pelajaran 1 • Kaedah Berasaskan Nilai Tanpa Model

Melaksanakan Q-learning, SARSA, dan Rangkaian-Q Dalam pada persekitaran Gim. Pelajar memahami perbezaan pembelajaran temporal dan ulangan semula pengalaman.

Pelajaran 2 • Proses Keputusan Markov

Memformalkan keadaan, tindakan, ganjaran, dan dinamik peralihan secara matematik. Menyediakan asas teori untuk semua algoritma pembelajaran pengukuhan.

Pelajaran 3 • RL Berbilang Ejen dan Hierarki

Memanjangkan RL kepada tetapan berbilang ejen koperatif dan kompetitif serta hierarki kemahiran. Menyediakan pelajar untuk kawalan sistem kompleks dunia sebenar.

Pelajaran 4 • RL Lanjutan: PPO dan SAC

Menggunakan Pengoptimuman Dasar Proksimal dan Pelakon-Kritik Lembut pada tugas kompleks. Pelajar mencapai latihan stabil pada penanda aras kawalan berterusan.

Pelajaran 1 • Penalaan Halus dan Penjajaran

Menggunakan penalaan halus berselia, RLHF, dan pengoptimuman keutamaan langsung untuk menjajarkan LLM dengan niat manusia. Pelajar mencipta model khusus domain yang mengikut arahan sambil mematuhi kekangan keselamatan.

Pelajaran 2 • Kejuruteraan Gesaan dan Pembelajaran Dalam Konteks

Menggunakan teknik gesaan sifar-dewasa, beberapa-dewasa, rantaian-pemikiran, dan berstruktur. Gesaan berkesan menggandakan keupayaan model tanpa sebarang kemas kini parameter.

Pelajaran 3 • Seni Bina LLM dan Hukum Skala

Menganalisis seni bina GPT, LLaMA, dan Mistral bersama hukum skala Chinchilla. Pelajar meramal keupayaan model daripada belanjawan pengiraan dan data.

Pelajaran 4 • Ejen LLM dan Penggunaan Alat

Membina ejen autonomi menggunakan ReAct, panggilan fungsi, dan rangka kerja berbilang ejen. Pelajar menggunakan ejen yang merancang, menggunakan alat, dan menyelesaikan tugas berbilang langkah.

Pelajaran 1 • Pemantauan dan Penyelenggaraan Model

Melaksanakan pengesanan hanyut, pemberitahuan, dan pencetus latihan semula dalam pengeluaran. Mencegah kemerosotan model senyap yang menghakis nilai perniagaan dari semasa ke semasa.

Pelajaran 2 • Penjejakan Eksperimen dan Kebolehhasilan Semula

Menggunakan MLflow, Weights & Biases, dan DVC untuk merekod eksperimen secara sistematik. Kebolehhasilan semula membolehkan kerjasama pasukan dan pematuhan peraturan.

Pelajaran 3 • Penyajian dan Penggunaan Model

Menggunakan model melalui API REST, saluran paip kelompok, dan runut tepi. Membimbing pelajar melalui kontainerisasi Docker, pensirian model, dan strategi penyajian berskala untuk prestasi dan kebolehpercayaan.

Pelajaran 4 • Infrastruktur Latihan Berskala

Mengkonfigurasi latihan teragih dengan Horovod dan kelompok GPU awan. Pelajar mengurangkan masa latihan untuk model besar melalui strategi keselarian.