Curs Python pentru Inteligență Artificială

Lecția 1 • Configurarea Mediului Python

Instalați Python, configurați medii virtuale și alegeți un IDE potrivit pentru dezvoltarea AI. Stabilește baza tehnică de care depinde fiecare capitol ulterior.

Lecția 2 • Fluxul de control și buclele

Aplicați condiționale și iterații pentru a automatiza sarcinile repetitive cu date AI. Permite direct modelele de procesare în lot utilizate pe parcursul cursului.

Lecția 3 • Depanarea și Gestionarea Erorilor

Citiți traceback-uri, utilizați un debugger și scrieți blocuri try/except pentru a gestiona erorile de execuție. Gestionarea fiabilă a erorilor previne eșecurile silențioase în fluxurile de lucru AI.

Lecția 4 • Sintaxa Python de Bază și Tipurile de Date

Acoperiți variabilele, operatorii, stringurile, numerele și booleenele cu exemple relevante pentru AI. Oferă vocabularul pentru toate sarcinile ulterioare de manipulare a datelor.

Lecția 1 • Lucrul cu Stringuri și Text

Aplicați metode pentru stringuri, formatare și expresii regulate pentru a curăța date text brute. Preprocesarea textului este un pas fundamental în fiecare pipeline NLP și LLM.

Lecția 2 • I/E de Fișiere și Serializarea Datelor

Citiți și scrieți fișiere text, CSV și JSON pentru a persista și schimba date AI. Conectează scripturile Python la sursele de date din lumea reală utilizate în capitolele următoare.

Lecția 3 • Dicționare și Seturi

Stocați perechi cheie-valoare și colecții unice pentru căutare rapidă și deduplicare. Aceste structuri stau la baza hărților de caracteristici și tabelelor de vocabular în sarcinile NLP.

Lecția 4 • Liste și Tuple în Detaliu

Manipulați secvențe ordonate folosind slicing, comprehensiuni și metode încorporate. Listele sunt containerul principal pentru seturile de date AI brute și ieșirile modelelor.

Lecția 1 • Algebră Liniară cu NumPy

Efectuați înmulțirea matricelor, descompunerea și rezolvarea sistemelor liniare. Aceste operații sunt nucleul matematic al rețelelor neuronale și al reducerii dimensionalității.

Lecția 2 • Indexare, Slicing și Redimensionare

Selectați, filtrați și redimensionați datele array folosind tehnici avansate de indexare. Redimensionarea este necesară înainte de a introduce date în straturile rețelelor neuronale.

Lecția 3 • Agregări Statistice și Eșantionare Aleatorie

Calculați statistici descriptive și generați eșantioane aleatoare reproductibile pentru experimente AI. Eșantionarea reproductibilă asigură o evaluare și o comparare corectă a modelelor.

Lecția 4 • Operații Vectorizate și Broadcastare

Aplicați operații aritmetice element-cu-element și reguli de broadcastare pentru a evita buclele lente în Python. Vectorizarea este fundamentul performanței tuturor calculelor numerice AI.

Lecția 1 • Grupare, Agregare și Îmbinare

Rezumați datele cu groupby și combinați seturi de date folosind operațiile merge și join. Aceste abilități permit ingineria caracteristicilor din mai multe surse de date relaționale.

Lecția 2 • Curățarea și Transformarea Datelor

Gestionați valorile lipsă, duplicatele și tipurile incorecte pentru a produce seturi de date curate. Datele curate determină direct calitatea modelelor AI antrenate.

Lecția 3 • Ingineria Caracteristicilor cu Pandas

Creați caracteristici noi prin grupare pe intervale, codificare și aplicarea de funcții personalizate. Caracteristicile proiectate au adesea cel mai mare impact asupra acurateții modelului.

Lecția 4 • Filtrare, Sortare și Interogare

Aplicați filtre booleene, stringuri de interogare și operații de sortare pentru a izola datele relevante. Subsetarea precisă este esențială pentru crearea partițiilor de antrenament și validare.

Lecția 1 • Bazele Matplotlib

Construiți diagrame liniare, cu bare și de dispersie folosind API-ul orientat pe obiecte al Matplotlib. O bază solidă în Matplotlib sprijină fiecare bibliotecă de vizualizare de nivel superior.

Lecția 2 • Fluxuri de Lucru pentru Analiza Exploratorie a Datelor

Combinați Pandas și instrumentele de vizualizare pentru a profila sistematic un nou set de date. O analiză exploratorie structurată reduce surprizele în timpul antrenării și evaluării modelului.

Lecția 3 • Vizualizarea Performanței Modelului

Trasați matrici de confuzie, curbe ROC și curbe de învățare pentru a evalua modelele AI. Vizualizările performanței sunt esențiale pentru diagnosticarea subadaptării și supradaptării.

Lecția 1 • Învățare Nesupravegheată și Reducerea Dimensionalității

Grupați datele cu K-Means și reduceți dimensionalitatea cu PCA pentru analiză exploratorie. Metodele nesupravegheate relevă structura ascunsă în seturile de date AI neetichetate.

Lecția 2 • API-ul și Fluxul de Lucru Scikit-Learn

Înțelegeți modelul fit/predict/transform și construiți un pipeline ML complet. API-ul unificat facilitează comutarea între modele și pașii de preprocesare.

Lecția 3 • Învățare Supravegheată: Clasificare

Antrenați regresie logistică, arbori de decizie și clasificatori ansamblu pe date etichetate. Clasificarea este cea mai comună sarcină AI în aplicațiile de business și cercetare.

Lecția 4 • Învățare Supravegheată: Regresie

Prediceți ținte continue folosind modele de regresie liniară, polinomială și regularizată. Regresia stă la baza cazurilor de utilizare pentru prognoză, stabilirea prețurilor și estimarea cererii.

Lecția 1 • Bucle de Antrenare și Optimizare

Implementați bucle complete de antrenare cu funcții de pierdere, optimizatori și programe ale ratei de învățare. O buclă de antrenare bine structurată este nucleul fiecărui experiment de învățare profundă.

Lecția 2 • Construirea Rețelelor Neuronale cu nn.Module

Definiți arhitecturi de rețea personalizate folosind nn.Module, straturi și funcții de activare. Proiectarea modulară a rețelei permite experimentarea rapidă cu diferite arhitecturi.

Lecția 3 • Rețele Neuronale Convoluționale pentru Imagini

Construiți CNN-uri cu straturi convoluționale, de pooling și complet conectate pentru sarcini cu imagini. CNN-urile sunt arhitectura dominantă pentru aplicațiile AI de viziune computerizată.

Lecția 4 • Bazele Tensorilor și Autograd

Creați și manipulați tensori PyTorch și înțelegeți diferențierea automată. Autograd este motorul din spatele învățării bazate pe gradient în toate modelele de învățare profundă.

Lecția 1 • API-uri LLM și Ingineria Prompturilor

Apelați API-uri LLM, structurați prompturi și interpretați răspunsurile pentru sarcini ulterioare. Crearea eficientă de prompturi îmbunătățește dramatic calitatea ieșirii fără nicio antrenare a modelului.

Lecția 2 • Biblioteca Hugging Face Transformers

Încărcați modele preantrenate și tokenizatoare de pe Hugging Face Hub pentru inferență. Biblioteca Transformers oferă acces la mii de modele AI gata de utilizare.

Lecția 3 • Generare Augmentată cu Recuperare

Combinați căutarea vectorială cu generarea LLM pentru a fundamenta răspunsurile în documente externe. RAG reduce halucinațiile și permite LLM-urilor să răspundă la întrebări specifice unui domeniu.

Lecția 4 • Reglajul fin al LLM-urilor pe Date Personalizate

Pregătiți seturi de date și rulați reglaj fin eficient din punct de vedere al parametrilor pentru a adapta modelele la noi domenii. Reglajul fin oferă o acuratețe mai mare decât simpla creare de prompturi pentru sarcini specializate.