Curs de Inteligență Artificială pentru Programatori

Lecția 1 • Ce este AI de fapt

Definește AI, machine learning și deep learning ca straturi distincte. Încadrează definițiile abstracte în sarcini concrete de programare pe care dezvoltatorii le recunosc deja.

Lecția 2 • Istorie și repere ale AI

Trasează descoperirile cheie de la perceptroni timpurii la modele transformer. Oferă context pentru care tehnicile moderne domină practica actuală.

Lecția 3 • Elemente esențiale de matematică pentru AI

Recenzează algebra liniară, probabilitățile și calculul diferențial utilizate zilnic în codul AI. Se concentrează pe intuiție și aplicarea la nivel de cod, nu pe demonstrații formale.

Lecția 4 • Categorii centrale de probleme AI

Aplică învățarea supervizată, nesupervizată și prin consolidare la sarcini reale de inginerie. Permite dezvoltatorilor să încadreze probleme noi în paradigma de învățare corectă.

Lecția 1 • Ingineria caracteristicilor și transformare

Transformă câmpurile brute în caracteristici gata pentru model prin codare, scalare și agregare. Demonstrează cum calitatea caracteristicilor afectează direct acuratețea modelului.

Lecția 2 • Colectarea și ingestia datelor

Acoperă web scraping, ingestia prin API și extragerea din baze de date pentru seturile de date AI. Stabilește limitele legale și etice în jurul surselor de date.

Lecția 3 • Construirea de pipeline-uri de date reproductibile

Împachetează transformările de date în etape de pipeline versionate și testabile. Introduce instrumente de versionare a datelor pentru a urmări modificările seturilor de date între experimente.

Lecția 4 • Curățarea și validarea datelor

Aplică tehnici programatice pentru a detecta și corecta valorile lipsă, valorile aberante și duplicatele. Validează schemele și distribuțiile înainte ca datele să intre într-un pipeline de antrenare.

Lecția 1 • Clustering și reducerea dimensionalității

Aplică k-means, DBSCAN, PCA și t-SNE la sarcini de descoperire nesupervizată. Învață metrici de evaluare pentru scenarii cu date neetichetate.

Lecția 2 • Modele bazate pe arbori

Construiește arbori de decizie, păduri aleatoare și arbori cu gradient boosting cu hiperparametri reglabili. Explică mecanica ansamblurilor care face boosting-ul de ultimă generație pe date tabulare.

Lecția 3 • Regresia liniară și logistică

Implementează regresia cu gradient descent de la zero înainte de a utiliza versiunile din biblioteci. Stabilește bucla pierdere-optimizare pe care toate modelele ulterioare o împărtășesc.

Lecția 4 • Evaluarea și selecția modelelor

Aplică validarea încrucișată, matricele de confuzie, curbele ROC și diagramele de calibrare pentru a compara modelele. Previne scurgerile de date prin împărțiri corecte antrenare-validare-test.

Lecția 1 • Anatomia unei rețele neuronale

Definește straturi, neuroni, ponderi, bias-uri și funcții de activare ca obiecte de cod compozabile. Conectează trecerea directă la un graf de calcul diferențiabil.

Lecția 2 • Antrenare la scară cu framework-uri

Implementează bucle de antrenare în PyTorch și TensorFlow cu accelerare GPU. Acoperă încărcătoarele de date, antrenarea cu precizie mixtă și gestionarea checkpoint-urilor.

Lecția 3 • Backpropagation și optimizatoare

Derivează backpropagation prin regula lanțului și o implementează manual înainte de a utiliza autograd. Compară SGD, Adam și RMSProp în ceea ce privește viteza de convergență și stabilitatea.

Lecția 4 • Depanarea antrenării rețelelor neuronale

Diagnostichează gradienți care dispar, gradienți care explodează și neuroni morți folosind instrumente de diagnosticare. Stabilește un flux de lucru sistematic de depanare aplicabil oricărei arhitecturi.

Lecția 1 • Transfer learning și reglaj fin

Adaptează modele pretrenate ImageNet la sarcini noi cu date etichetate limitate. Acoperă strategii de înghețare a straturilor și programarea ratei de învățare pentru reglajul fin.

Lecția 2 • Arhitecturi de detectare a obiectelor

Implementează detectoare bazate pe ancore și fără ancore pentru localizarea obiectelor în imagini. Evaluează detectoarele utilizând media preciziei medii și praguri IoU.

Lecția 3 • Rețele neuronale convoluționale

Explică convoluția, pooling-ul și câmpurile receptive ca extractoare de caracteristici spațiale. Implementează o CNN de la zero și urmărește hărțile de caracteristici prin fiecare strat.

Lecția 4 • Augmentarea datelor de vision

Proiectează pipeline-uri de augmentare care îmbunătățesc generalizarea fără a corupe etichetele. Acoperă strategii de augmentare geometrice, cromatice și avansate.

Lecția 1 • Arhitectura transformer în profunzime

Implementează self-attention multi-cap și codarea pozițională de la zero. Trasează modul în care BERT și GPT diferă în obiectivele de pretrenare și utilizarea ulterioară.

Lecția 2 • Reglajul fin al modelelor de limbaj pretrenate

Adaptează modelele din familia BERT la sarcini de clasificare, NER și QA cu capete specifice sarcinii. Aplică metode eficiente din punct de vedere al parametrilor, precum LoRA, pentru a reduce costul de calcul.

Lecția 3 • Ingineria prompturilor și API-uri LLM

Proiectează prompturi eficiente pentru LLM-uri reglate prin instrucțiuni utilizând pattern-uri zero-shot și few-shot. Integrează API-urile LLM în codul de producție cu parsarea structurată a ieșirii.

Lecția 4 • Reprezentarea textului și preprocesare

Convertește textul brut în reprezentări numerice prin tokenizare, embeddings și TF-IDF. Stabilește lanțul de preprocesare care alimentează orice model NLP.

Lecția 1 • Împachetarea modelelor și containerizare

Serializează modelele și le înfășoară în containere Docker cu izolare a dependențelor. Pregătește imagini de model portabile, deployabile pe orice target cloud sau on-premise.

Lecția 2 • CI/CD pentru machine learning

Automatizează testarea, validarea și deploymentul modelelor prin pipeline-uri CI/CD specifice ML. Integrează porți de calitate a datelor și modelelor înainte de orice promovare în producție.

Lecția 3 • Urmărirea experimentelor și reproductibilitate

Înregistrează hiperparametri, metrici și artefacte cu MLflow și Weights and Biases. Permite compararea reproductibilă a experimentelor între membrii echipei și rulări.

Lecția 4 • Servirea modelelor ca API-uri

Construiește endpoint-uri de inferență REST și gRPC cu FastAPI și TorchServe. Aplică batch-uire, cache și gestionare asincronă pentru a îndeplini cerințele de latență.

Lecția 1 • Proiectarea pipeline-urilor multi-model

Compune modele specializate în pipeline-uri orchestrate cu logică de rutare și fallback. Aplică principiile proiectării sistemelor la cerințele specifice de fiabilitate ale AI.

Lecția 2 • Agenți AI și utilizarea instrumentelor

Construiește agenți bazați pe LLM care planifică, apelează instrumente și iterează către obiective în mod autonom. Implementează pattern-uri ReAct și de apelare a funcțiilor cu bariere de siguranță.

Lecția 3 • AI responsabil și guvernanță

Încorporează audituri de corectitudine, instrumente de explicabilitate și tehnici de păstrare a confidențialității în proiectarea sistemelor. Aliniază sistemele AI cu cerințele organizaționale de risc și conformitate.

Lecția 4 • Infrastructură AI scalabilă

Asigură clustere GPU, joburi de antrenare distribuită și autoscaling de inferență pe platforme cloud. Optimizează costurile infrastructurii prin instanțe spot și cuantizarea modelelor.