Kurs programowania AI

Lekcja 1 • Podstawy danych dla AI

Wyjaśnia typy danych, struktury i wymagania dotyczące jakości, które wpływają na wydajność modeli. Przygotowuje studentów do oceny zbiorów danych przed modelowaniem.

Lekcja 2 • Cykl życia rozwoju AI

Mapuje proces od początku do końca, od zdefiniowania problemu po wdrożenie i monitorowanie. Daje studentom powtarzalny framework stosowany we wszystkich kolejnych rozdziałach.

Lekcja 3 • Krajobraz AI i kluczowa terminologia

Definiuje AI, ML i głębokie uczenie z precyzyjnym rozróżnieniem. Ustanawia wspólne słownictwo używane w całym kursie.

Lekcja 1 • Manipulacja danymi za pomocą Pandas

Uczy operacji na DataFrame do ładowania, czyszczenia i przekształcania danych tabelarycznych. Przygotowuje studentów do dostarczania zbiorów danych gotowych do analizy do potoków ML.

Lekcja 2 • Najlepsze praktyki programowania w Pythonie

Ustanawia standardy kodowania, środowiska wirtualne i nawyki kontroli wersji dla projektów AI. Zapewnia odtwarzalne i łatwe w utrzymaniu bazy kodu od samego początku.

Lekcja 3 • Obliczenia naukowe z NumPy

Wprowadza operacje na tablicach, broadcasting i obliczenia wektoryzowane przy użyciu NumPy. Bezpośrednio wspiera manipulacje tensorami potrzebne w frameworkach głębokiego uczenia.

Lekcja 4 • Wizualizacja danych dla wniosków z AI

Stosuje Matplotlib i Seaborn do badania rozkładów, korelacji i wyników modeli. Umiejętności wizualizacji wspierają inżynierię cech i komunikację wyników.

Lekcja 1 • Ocena i wybór modelu

Definiuje metryki dla zadań klasyfikacji, regresji i grupowania. Stosują walidację krzyżową i testy statystyczne, aby rygorystycznie porównywać modele.

Lekcja 2 • Metody oparte na drzewach i ensemble

Obejmuje drzewa decyzyjne, lasy losowe i gradient boosting dla danych tabelarycznych. Studenci uczą się, kiedy metody ensemble przewyższają modele liniowe.

Lekcja 3 • Podstawy uczenia nadzorowanego

Wprowadza zadania regresji i klasyfikacji z modelami liniowymi jako punktem odniesienia. Łączy funkcje straty i optymalizację z matematyką omówioną w rozdziale 1.

Lekcja 4 • Techniki uczenia nienadzorowanego

Uczy grupowania, redukcji wymiarowości i wykrywania anomalii bez oznaczonych danych. Przygotowuje studentów do wydobywania struktury z nieoznaczonych zbiorów danych.

Lekcja 1 • Uczenie głębokich sieci w praktyce

Obejmuje konfigurację GPU, uczenie mieszanej precyzji i śledzenie eksperymentów. Studenci potrafią uruchamiać odtwarzalne sesje uczenia na rzeczywistym sprzęcie lub instancjach w chmurze.

Lekcja 2 • Wsteczna propagacja i optymalizacja

Wyprowadza wsteczną propagację i łączy ją z wariantami spadku gradientu. Studenci rozumieją, jak aktualizowane są wagi podczas uczenia.

Lekcja 3 • Regularyzacja i generalizacja

Zajmuje się nadmiernym dopasowaniem za pomocą dropout, normalizacji wsadowej i regularyzacji wag. Łączy koncepcje obciążenia i wariancji z rozdziału 3 z praktyką głębokiego uczenia.

Lekcja 4 • Podstawy architektury sieci neuronowych

Wyjaśnia neurony, warstwy, funkcje aktywacji i propagację w przód. Opiera mechanikę głębokiego uczenia na algebrze liniowej z rozdziału 1.

Lekcja 1 • Dostrajanie modeli językowych

Obejmuje nadzorowane dostrajanie, metody parametrycznie wydajne i przygotowanie zbiorów danych do adaptacji domenowej. Opiera się na umiejętnościach uczenia głębokiego z rozdziału 4.

Lekcja 2 • Praca z wstępnie wytrenowanymi modelami językowymi

Pokazuje ładowanie, promptowanie i ocenę wstępnie wytrenowanych LLM przez API i inferencję lokalną. Studenci mogą natychmiast integrować LLM z aplikacjami.

Lekcja 3 • Tworzenie aplikacji NLP

Stosuje modele NLP do klasyfikacji, streszczania, tłumaczenia i odpowiadania na pytania. Studenci dostarczają kompleksowe funkcje NLP w ramach większego systemu.

Lekcja 4 • Wstępne przetwarzanie i reprezentacja tekstu

Obejmuje tokenizację, osadzenia i metody wektoryzacji surowego tekstu. Ustanawia potok wejściowy wymagany przez wszystkie modele NLP w tym rozdziale.

Lekcja 1 • Systemy generacji wspomaganej wyszukiwaniem

Buduje potoki RAG łączące wyszukiwanie wektorowe z generacją LLM dla odpowiedzi opartych na wiedzy. Rozszerza umiejętności LLM z rozdziału 5 na pełne stosy aplikacji.

Lekcja 2 • Integracja frontendu dla funkcji AI

Łączy backendy AI z frontendami webowymi i mobilnymi za pomocą strumieniowania, pętli zwrotnych i wzorców UX. Zapewnia, że wyniki AI są jasno prezentowane użytkownikom końcowym.

Lekcja 3 • Serwowanie modeli i projektowanie API

Obejmuje API REST i gRPC, grupowanie żądań i frameworki serwerów modeli. Studenci udostępniają wytrenowane modele jako niezawodne usługi o niskim opóźnieniu.

Lekcja 4 • Wzorce architektury systemów AI

Wprowadza wzorce monolityczne, mikroserwisowe i sterowane zdarzeniami dla systemów AI. Studenci wybierają architektury odpowiadające potrzebom w zakresie opóźnienia, skali i niezawodności.

Lekcja 1 • Rejestr modeli i wersjonowanie

Śledzi artefakty modeli, metadane i pochodzenie w eksperymentach i wdrożeniach. Umożliwia odtwarzalność i audytowalność wymaganą przez zespoły produkcyjne.

Lekcja 2 • Potoki CI/CD dla projektów ML

Automatyzuje testowanie, walidację modeli i wdrażanie za pomocą workflowów ciągłej integracji. Studenci zmniejszają liczbę błędów ręcznych i przyspieszają cykle wydawnicze.

Lekcja 3 • Konteneryzacja i zarządzanie środowiskiem

Pakuje aplikacje AI za pomocą Dockera i zarządza zależnościami dla odtwarzalnych wdrożeń. Warunek wstępny dla wszystkich tematów dotyczących chmury i orkiestracji w tym rozdziale.

Lekcja 4 • Monitorowanie produkcyjne i obserwowalność

Wykrywa dryf danych, degradację modeli i anomalie systemowe w działających wdrożeniach. Studenci konfigurują pulpity nawigacyjne i alerty, które wyzwalają workflowy ponownego uczenia.

Lekcja 1 • Bezpieczeństwo i solidność AI

Obejmuje ataki adversarialne, wykrywanie spoza rozkładu i red-teaming dla LLM. Studenci wzmacniają modele przed rzeczywistymi trybami awarii.

Lekcja 2 • Wyjaśnialność i interpretowalność

Stosuje SHAP, LIME i wizualizację uwagi do wyjaśniania decyzji modeli interesariuszom. Wspiera budowanie zaufania i wymogi przejrzystości regulacyjnej.

Lekcja 3 • Strategia AI i dostosowanie organizacyjne

Oprawia decyzje inwestycyjne w AI, kompromisy buduj-kup i współpracę międzyfunkcjonalną. Przygotowuje studentów do prowadzenia inicjatyw AI wykraczających poza rozwój pojedynczego modelu.

Lekcja 4 • Sprawiedliwość AI i łagodzenie błędu systematycznego

Identyfikuje źródła błędu systematycznego algorytmów i stosuje techniki łagodzenia przed, w trakcie i po przetwarzaniu. Łączy koncepcje błędu systematycznego zbiorów danych z rozdziału 1 z wpływem produkcyjnym.