Kursus Kejuruteraan AI

Pelajaran 1 • Python untuk Pembangunan AI

Mewujudkan kemahiran Python yang tertumpu pada aliran kerja AI menggunakan NumPy, Pandas, dan Matplotlib. Menyediakan garis dasar pengekodan yang diperlukan untuk semua bab seterusnya.

Pelajaran 2 • Asas Data untuk AI

Menerangkan jenis data, struktur, dan keperluan kualiti yang memacu prestasi model. Menyediakan jurutera untuk menilai set data sebelum permodelan bermula.

Pelajaran 3 • Landskap AI dan Terminologi Utama

Mentakrifkan AI, ML, dan pembelajaran mendalam dengan perbezaan yang tepat. Mewujudkan perbendaharaan kata yang dikongsi digunakan sepanjang keseluruhan kursus.

Pelajaran 1 • Kaedah Ensemble dan Peningkatan

Menerangkan bagging, hutan rawak, peningkatan kecerunan, dan XGBoost untuk kuasa ramalan yang lebih baik. Membina pengetahuan algoritma tunggal untuk menunjukkan kelebihan ensemble.

Pelajaran 2 • Teknik Pembelajaran Tidak Berselia

Mengajar pengelompokan, pengurangan dimensi, dan pengesanan anomali untuk data tidak berlabel. Memperluas kit alat jurutera melampaui paradigma berselia.

Pelajaran 3 • Kejuruteraan Ciri dan Pemilihan

Merangkumi pengekodan, penskalaan, ciri interaksi, dan kaedah pemilihan yang terus meningkatkan ketepatan model. Menjambungkan penyediaan data mentah kepada keperluan input algoritma.

Pelajaran 4 • Penilaian dan Pemilihan Model

Mentakrifkan metrik, pengesahan silang, dan pertukaran bias-varian untuk penilaian model yang ketat. Memastikan jurutera boleh mewajarkan pilihan model dengan bukti kuantitatif.

Pelajaran 1 • Model Ulangan dan Urutan

Menerangkan RNN, LSTM, dan GRU untuk permodelan data urutan dan siri masa. Menyediakan jurutera untuk corak temporal sebelum seni bina transformer diperkenalkan.

Pelajaran 2 • Asas Rangkaian Neural

Menerangkan perceptron, fungsi pengaktifan, rambatan ke hadapan, dan rambatan balik secara matematik. Mendasarkan pembelajaran mendalam pada asas ML yang telah ditetapkan sebelumnya.

Pelajaran 3 • Rangkaian Neural Konvolusi

Mengajar seni bina CNN, pengumpulan, dan pemindahan pembelajaran untuk tugas data imej dan ruang. Memperluas pengetahuan rangkaian neural kepada aplikasi penglihatan komputer.

Pelajaran 4 • Melatih Rangkaian Mendalam Secara Berkesan

Merangkumi pengoptimum, jadual kadar pembelajaran, regularisasi, dan normalisasi kelompok untuk latihan yang stabil. Menangani mod kegagalan biasa yang dihadapi oleh jurutera dalam amalan.

Pelajaran 1 • Kejuruteraan Model Bahasa Besar

Merangkumi API LLM, kejuruteraan gesaan, tetingkap konteks, dan penghuraian output untuk penggunaan pengeluaran. Melengkapkan jurutera untuk mengintegrasikan LLM dengan pasti ke dalam aplikasi sebenar.

Pelajaran 2 • Teknik NLP Klasik

Merangkumi tokenisasi, stemming, TF-IDF, dan benaman kata sebagai blok binaan NLP. Mewujudkan garis dasar sebelum kaedah berasaskan transformer diperkenalkan.

Pelajaran 3 • Penyelaman Mendalam Seni Bina Transformer

Menerangkan perhatian kendiri, perhatian berbilang kepala, pengekodan kedudukan, dan reka bentuk pengekod-penyahkod. Menyediakan pemahaman seni bina yang diperlukan untuk bekerja dengan LLM moden.

Pelajaran 4 • Sistem Generasi Dipertingkatkan-ambilan Semula

Membina saluran paip RAG menggabungkan carian vektor dengan penjanaan LLM untuk respons berasaskan pengetahuan. Memperluas penggunaan LLM kepada senario dokumen dan pangkalan pengetahuan perusahaan.

Pelajaran 1 • Prinsip Reka Bentuk Sistem AI

Memperkenalkan corak reka bentuk, analisis pertukaran, dan pemikiran sistem khusus untuk beban kerja AI. Membingkai keputusan seni bina dalam kekangan persekitaran pengeluaran.

Pelajaran 2 • Kebolehskalaan dan Infrastruktur untuk AI

Merangkumi kontainerisasi, orkestrasi, dan corak infrastruktur awan untuk beban kerja AI pada skala. Menyediakan jurutera untuk menggunakan sistem yang berkembang dengan permintaan.

Pelajaran 3 • Saluran Paip Data dan Storan Ciri

Merangkumi reka bentuk ETL, pengambilan penstriman, dan seni bina stor ciri untuk penghantaran ciri yang konsisten. Memastikan ciri latihan dan penyajian kekal disegerakkan.

Pelajaran 4 • Reka Bentuk untuk Kebolehpercayaan dan Kebolehcerapan

Mengajar pemutus litar, strategi penggantian, log, dan penggera untuk daya tahan perkhidmatan AI. Memastikan jurutera dapat mengekalkan kesihatan sistem dalam pengeluaran.

Pelajaran 1 • CI/CD untuk Pembelajaran Mesin

Menggunakan amalan integrasi dan penghantaran berterusan kepada kod ML, data, dan artifak model. Menjambungkan disiplin kejuruteraan perisian dengan aliran kerja pembangunan ML.

Pelajaran 2 • Pemantauan Model dan Pengesanan Hanyut

Melaksanakan pengesanan hanyut data, hanyut konsep, dan pemantauan prestasi untuk mengesan degradasi model. Membolehkan penyelenggaraan proaktif sebelum kegagalan model memberi kesan kepada pengguna.

Pelajaran 3 • Saluran Paip ML dan Orkestrasi Aliran Kerja

Mereka bentuk saluran paip ML automatik menggunakan alat orkestrasi untuk latihan, pengesahan, dan penggunaan. Mengurangkan campur tangan manual dan mempercepatkan kitaran lelaran.

Pelajaran 4 • Penjejakan Eksperimen dan Kebolehhasilan Semula

Merangkumi log eksperimen, versi artifak, dan pengurusan persekitaran untuk ML yang boleh dihasilkan semula. Mewujudkan asas untuk pembangunan model yang berdisiplin.

Pelajaran 1 • Rangka Kerja Tadbir Urus AI Bertanggungjawab

Menggunakan prinsip AI bertanggungjawab, penilaian impak, dan penyelarasan dasar kepada keputusan kejuruteraan. Menghubungkan kawalan teknikal kepada struktur akauntabiliti organisasi.

Pelajaran 2 • Bias, Keadilan, dan Ekuiti dalam AI

Mengenal pasti punca bias algoritma dan menggunakan metrik keadilan untuk mengesan dan mengurangkan kesan tidak seimbang. Mendasarkan penaakulan etika dalam tindakan kejuruteraan yang boleh diukur.

Pelajaran 3 • Keselamatan AI dan Pengurusan Risiko

Mengajar permodelan ancaman, keteguhan musuh, dan analisis mod kegagalan untuk sistem AI. Menyediakan jurutera untuk menjangka dan mengurangkan tingkah laku AI yang berbahaya.

Pelajaran 4 • Teknik AI Memelihara Privasi

Merangkumi privasi pembezaan, pembelajaran persekutuan, dan tanpa nama data untuk AI selamat privasi. Menangani keperluan perlindungan data tanpa mengorbankan utiliti model.

Pelajaran 1 • Semakan Projek dan Pembentangan

Mempersembahkan sistem hujung-ke-hujung dengan gambar rajah seni bina, hasil, dan pengajaran yang dipelajari. Membangunkan kemahiran komunikasi yang diperlukan untuk menyampaikan projek AI kepada khalayak teknikal.

Pelajaran 2 • Rangkaan dan Skop Masalah

Menterjemahkan masalah perniagaan kepada tugas AI yang jelas dengan metrik kejayaan dan kekangan. Menggunakan pemikiran reka bentuk sistem dari bab terdahulu kepada senario sebenar.

Pelajaran 3 • Pemerolehan dan Penyediaan Data

Melaksanakan pengumpulan data, pembersihan, dan kejuruteraan ciri untuk set data capstone. Menggunakan semua kemahiran data dari bab sebelumnya dalam aliran kerja bersepadu.

Pelajaran 4 • Pembangunan Model dan Eksperimentasi

Menjalankan eksperimen yang dijejak, memilih model terbaik, dan mendokumenkan keputusan dengan justifikasi. Menunjukkan pembangunan ML berdisiplin menggunakan amalan MLOps.