Curs Inginer AI

Lecția 1 • Python pentru Dezvoltare IA

Stabilește competența în Python axată pe fluxurile de lucru IA folosind NumPy, Pandas și Matplotlib. Oferă baza de cod necesară pentru toate capitolele ulterioare.

Lecția 2 • Fundamentele Datelor pentru IA

Explică tipurile de date, structurile și cerințele de calitate care determină performanța modelului. Pregătește inginerii să evalueze seturile de date înainte de a începe modelarea.

Lecția 3 • Peisajul IA și Terminologia Cheie

Definește IA, ML și deep learning cu distincții precise. Stabilește un vocabular comun utilizat pe parcursul întregului curs.

Lecția 1 • Metode de Ansamblu și de Boostare

Explică bagging-ul, random forest-urile, gradient boosting-ul și XGBoost-ul pentru o putere predictivă îmbunătățită. Se bazează pe cunoștințele despre algoritmi individuali pentru a arăta avantajele ansamblurilor.

Lecția 2 • Tehnici de Învățare Nesupervizată

Învață clustering, reducerea dimensionalității și detectarea anomaliei pentru date neetichetate. Extinde setul de instrumente ale inginerului dincolo de paradigmele supervizate.

Lecția 3 • Ingineria și Selectarea Caracteristicilor

Acoperă codificarea, scalarea, caracteristicile de interacțiune și metodele de selecție care îmbunătățesc direct acuratețea modelului. Face legătura între pregătirea datelor brute și cerințele de intrare ale algoritmului.

Lecția 4 • Evaluarea și Selectarea Modelului

Definește metricile, validarea încrucișată și compromisul bias-varianță pentru o evaluare riguroasă a modelului. Asigură că inginerii își pot justifica alegerile de model cu dovezi cantitative.

Lecția 1 • Modele Recurente și Secvențiale

Explică RNN-urile, LSTM-urile și GRU-urile pentru modelarea datelor secvențiale și de tip serie temporală. Pregătește inginerii pentru modele temporale înainte de introducerea arhitecturilor transformer.

Lecția 2 • Fundamentele Rețelelor Neuronale

Explică matematic perceptronul, funcțiile de activare, propagarea înainte și propagarea inversă. Fundamentează deep learning-ul pe bazele de ML stabilite anterior.

Lecția 3 • Rețele Neuronale Convoluționale

Învață arhitectura CNN, pooling-ul și transfer learning-ul pentru sarcini cu date de tip imagine și spațiale. Extinde cunoștințele despre rețele neuronale la aplicații de viziune computerizată.

Lecția 4 • Antrenarea Eficientă a Rețelelor Profunde

Acoperă optimizatoarele, programele ratei de învățare, regularizarea și normalizarea pe loturi pentru o antrenare stabilă. Abordează modurile comune de eșec pe care le întâlnesc inginerii în practică.

Lecția 1 • Ingineria Modelelor de Limbaj de Mari Dimensiuni

Acoperă API-urile LLM, ingineria prompturilor, ferestrele de context și parsarea rezultatelor pentru utilizarea în producție. Echipează inginerii pentru a integra fiabil LLM-urile în aplicații reale.

Lecția 2 • Tehnici Clasice NLP

Acoperă tokenizarea, stemming-ul, TF-IDF și înglobările (embeddings) de cuvinte ca elemente de bază NLP. Stabilește baza de referință înainte de introducerea metodelor bazate pe transformer.

Lecția 3 • Arhitectura Transformer în Profunzime

Explică atenția internă (self-attention), atenția multi-cap, codificarea pozițională și designul encoder-decoder. Oferă înțelegerea arhitecturală necesară pentru a lucra cu LLM-uri moderne.

Lecția 4 • Sisteme de Generare Augmentată prin Regăsire (RAG)

Construiește pipeline-uri RAG care combină căutarea vectorială cu generarea LLM pentru răspunsuri fundamentate pe cunoștințe. Extinde utilizarea LLM-urilor la scenarii cu documente și baze de cunoștințe enterprise.

Lecția 1 • Principii de Proiectare a Sistemelor AI

Introduce șabloanele de proiectare, analiza compromisurilor și gândirea sistemică specifice sarcinilor AI. Încadrează deciziile arhitecturale în constrângerile mediilor de producție.

Lecția 2 • Scalabilitate și Infrastructură pentru IA

Acoperă containerizarea, orchestrarea și modelele de infrastructură cloud pentru sarcinile IA la scară largă. Pregătește inginerii să implementeze sisteme care cresc odată cu cererea.

Lecția 3 • Pipeline-uri de Date și Magazine de Caracteristici (Feature Stores)

Acoperă proiectarea ETL, ingestia în flux și arhitectura magazinelor de caracteristici pentru livrarea consecventă a caracteristicilor. Asigură sincronizarea caracteristicilor de antrenare și servire.

Lecția 4 • Proiectarea pentru Fiabilitate și Observabilitate

Învață întrerupătoarele de circuit, strategiile de rezervă, logarea și alertarea pentru reziliența serviciilor AI. Asigură că inginerii pot menține starea de sănătate a sistemelor în producție.

Lecția 1 • CI/CD pentru Machine Learning

Aplică practicile de integrare continuă și livrare continuă la codul ML, datele și artefactele modelelor. Face legătura între disciplina ingineriei software și fluxurile de lucru de dezvoltare ML.

Lecția 2 • Monitorizarea Modelelor și Detectarea Derivei (Drift)

Implementează detectarea derivei datelor, a derivei conceptelor și monitorizarea performanței pentru a detecta degradarea modelului. Permite întreținerea proactivă înainte ca eșecurile modelului să afecteze utilizatorii.

Lecția 3 • Pipeline-uri ML și Orchestrarea Fluxurilor de Lucru

Proiectează pipeline-uri ML automate folosind instrumente de orchestrare pentru antrenare, validare și implementare. Reduce intervenția manuală și accelerează ciclurile de iterație.

Lecția 4 • Urmărirea Experimentelor și Reprodutibilitate

Acoperă logarea experimentelor, versionarea artefactelor și gestionarea mediilor pentru ML reproductibil. Stabilește fundația pentru o dezvoltare disciplinată a modelelor.

Lecția 1 • Cadre de Guvernanță pentru IA Responsabilă

Aplică principiile IA responsabile, evaluările impactului și alinierea la politici în deciziile de inginerie. Conectează controalele tehnice la structurile de responsabilitate organizațională.

Lecția 2 • Bias, Echitate și Egalitate în IA

Identifică sursele de bias algoritmic și aplică metrici de echitate pentru a detecta și atenua impactul disproporționat. Fundamentează raționamentul etic în acțiuni inginerești măsurabile.

Lecția 3 • Siguranța IA și Managementul Riscului

Învață modelarea amenințărilor, robustețea adversarială și analiza modurilor de eșec pentru sistemele AI. Pregătește inginerii să anticipeze și să atenueze comportamentele dăunătoare ale IA.

Lecția 4 • Tehnici de IA care Păstrează Confidențialitatea

Acoperă confidențialitatea diferențială, învățarea federată și anonimizarea datelor pentru o IA sigură din punctul de vedere al confidențialității. Abordează cerințele de protecție a datelor fără a sacrifica utilitatea modelului.

Lecția 1 • Revizuirea și Prezentarea Proiectului

Prezintă sistemul end-to-end cu diagrame de arhitectură, rezultate și lecții învățate. Dezvoltă abilitățile de comunicare necesare pentru a livra proiecte AI unui public tehnic.

Lecția 2 • Formularea și Definirea Problemei

Traduce o problemă de afaceri într-o sarcină AI bine definită, cu metrici de succes și constrângeri. Aplică gândirea de proiectare a sistemelor din capitolele anterioare la un scenariu real.

Lecția 3 • Achiziția și Pregătirea Datelor

Execută colectarea, curățarea și ingineria caracteristicilor pentru setul de date al proiectului final. Aplică toate abilitățile legate de date din capitolele anterioare într-un flux de lucru integrat.

Lecția 4 • Dezvoltarea Modelului și Experimentarea

Rulează experimente urmărite, selectează cel mai bun model și documentează deciziile cu justificări. Demonstrează dezvoltarea ML disciplinată folosind practici MLOps.