Dedika je platforma za učenje skozi prakso: na primer, kako pripraviti poslovno ponudbo, postati manikerka ali uporabljati novo orodje. Ne glede na tvoj cilj, najboljša vsebina o tej temi že obstaja. A pogosto je v tujem jeziku, draga, razpršena po spletu, brez vaj za vadbo ali pa je del predolgega tečaja, ki ni primeren za tiste z natrpanim urnikom. Zato ima Dedika svoj pristop: poiščemo gradivo, kjerkoli je, izberemo tisto, kar je smiselno za tvoj cilj, ga pregledamo s pomočjo strokovnjakov, ki so na voljo za vprašanja, in pripravimo praktične naloge, da se učiš skozi delo. Ti si najpomembnejši na svoji poti in nihče te ne pozna bolje: izberi vsebino in trajanje tečaja, ali boš učil z ali brez interneta in v katerem formatu. Lahko je video, besedilo, avdio ali povzetek. Po tvoji meri, samo s tistim, kar ti ustreza. Tukaj je vsak trenutek tvoje predanosti pomemben in hitreje prideš do bistva.

Tečaji so sestavljeni iz najboljše vsebine na svetu na določeno temo: videi, avdio posnetki, članki in knjige. Vsa ta vsebina je opremljena s povzetki, podcasti (za knjige in članke) ter prepisi (za videe in avdio posnetke). Sami izberete, kako želite vsebino spremljati. Vsako gradivo ima posebna vprašanja za utrjevanje znanja. Poleg tega je tečaj sestavljen iz poglavij, ki jih izberete sami, kar vam omogoča, da se učite le tistega, kar je pomembno za vas. Na koncu vsakega poglavja je praktični projekt, povezan z vašo stroko, kjer lahko vadite naučeno.

Naši tečaji vključujejo povzetek na koncu vsakega poglavja, ki ga lahko prenesete kot PDF in natisnete.

Več kot 2 milijona študentov po vsem svetu

Prisotni v več kot 180 državah

Certifikat veljaven v vaši državi

Domov

...

Tečaj umetne inteligence za programerje

Vsi tečaji

Inženirstvo, gradbeništvo in tehnologija

Teknologija

Tečaj umetne inteligence za programerje

Za vse ravni

Tečaj umetne inteligence za programerje

Obvlada celoten sklad inženiringa umetne inteligence – od klasičnega strojnega učenja in globokega učenja do velikih jezikovnih modelov, računalniškega vida in produkcijskega uvajanja. Ta tečaj ponuja delujočim programerjem tehnično globino in praktične veščine kodiranja za gradnjo, pošiljanje in vzdrževanje resničnih sistemov umetne inteligence. Nehaj brati o umetni inteligenci in jo začni graditi.

Dedika za podjetja

Kaj se boste naučili:

Zgradil/-a boš trdne temelje v strojnem učenju, nevronskih mrežah in ogrodjih globokega učenja, kot sta PyTorch in TensorFlow. Delal/-a boš na računalniškem vidu s konvolucijskimi nevronskimi mrežami, obdelavi naravnega jezika s transformerji in API-jih velikih jezikovnih modelov, vključno s cevovodi RAG in inženiringom pozivov. Tečaj pokriva podatkovno inženirstvo, inženiring značilk in načrtovanje ponovljivih cevovodov od začetka. Uvedel/-a boš prakse MLOps, vključno s sledenjem eksperimentom, CI/CD za strojno učenje in produkcijskim spremljanjem z zaznavanjem odmika. Napredne teme vključujejo agente umetne inteligence, načrtovanje večmodelnih sistemov, kvantizacijo modelov in odgovorno upravljanje umetne inteligence. Vsak pojem je osnovan na delujoči kodi, ki jo lahko takoj uporabiš.

Kako praktično študirate Tečaj umetne inteligence za programerje

Kako vadite Tečaj umetne inteligence za programerje

Za vas, ki ste podjetje in želite usposobiti svojo ekipo

Na Dedika za podjetja je tečaj prilagojen z vajami in primeri iz vašega lastnega poslovanja, tako kot vaša podjetja potrebujejo.

Kliknite tukaj

Vsebina tečaja

8 Poglavji • 40 Uč lekcijeTrajanje med 4 in 360 urami (vi se odločite)

Poglavje 1Poglej podrobnosti

Osnove umetne inteligence za programerje

Uč lekcija 1 • Kaj umetna inteligenca dejansko je
Opredeli UI, strojno učenje in globoko učenje kot ločene plasti. Abstraktne definicije utemelji v konkretnih programerskih nalogah, ki jih razvijalci že prepoznajo.
Uč lekcija 2 • Zgodovina in mejniki UI
Sledi ključnim prebojem od zgodnjih perceptronov do transformatorskih modelov. Zagotavlja kontekst, zakaj sodobne tehnike prevladujejo v trenutni praksi.
Uč lekcija 3 • Matematične osnove za UI
Pregleda pojmov linearne algebre, verjetnosti in analize, ki se vsakodnevno uporabljajo v kodi UI. Osredotoča se na intuicijo in uporabo na ravni kode namesto formalnih dokazov.
Uč lekcija 4 • Osnovne kategorije problemov UI
Preslika nadzorovano, nenadzorovano in spodbujevalno učenje na resnične inženirske naloge. Razvijalcem omogoča, da nove probleme umestijo v pravilno učno paradigmo.
Uč lekcija 5 • Vzpostavitev razvojnega okolja za UI
Konfigurira verige orodij na osnovi Pythona, gonilnike GPE in upravljalnike paketov za delo z UI. Zagotovi, da ima vsak udeleženec ponovljivo okolje pred pisanjem kode modela.

Poglavje 2Poglej podrobnosti

Podatkovno inženirstvo za cevovode UI

Uč lekcija 1 • Inženiring značilk in preoblikovanje
Preoblikuje surove atribute v za model pripravljene značilke s kodiranjem, skaliranjem in združevanjem. Prikaže, kako kakovost značilk neposredno vpliva na natančnost modela.
Uč lekcija 2 • Zbiranje in zajem podatkov
Pokriva spletno strganje, zajem prek vmesnikov API in pridobivanje iz podatkovnih baz za nabore podatkov UI. Vzpostavlja pravne in etične meje glede pridobivanja podatkov.
Uč lekcija 3 • Gradnja ponovljivih podatkovnih cevi
Zapakira podatkovne transformacije v različičene, preverljive stopnje cevovoda. Predstavi orodja za različičenje podatkov za sledenje spremembam nabora podatkov med poskusi.
Uč lekcija 4 • Čiščenje in preverjanje podatkov
Uporablja programske tehnike za odkrivanje in odpravljanje manjkajočih vrednosti, osamelcev in podvojenih zapisov. Preverja sheme in porazdelitve, preden podatki vstopijo v učni cevovod.
Uč lekcija 5 • Razumevanje podatkov za UI
Razlikuje strukturirane, nestrukturirane in delno strukturirane podatke in njihove primere uporabe v UI. Povezuje izbiro formata podatkov z združljivostjo na strani modela.

Poglavje 3Poglej podrobnosti

Klasično strojno učenje v kodi

Uč lekcija 1 • Gručenje in zmanjševanje razsežnosti
Uporabi k-means, DBSCAN, PCA in t-SNE za naloge nenadzorovanega odkrivanja. Uči metrike vrednotenja za scenarije neoznačenih podatkov.
Uč lekcija 2 • Modeli na osnovi dreves
Gradi odločitvena drevesa, naključne gozdove in gradientno spodbujena drevesa z nastavljivimi hiperparametri. Pojasnjuje mehaniko ansamblov, ki naredi spodbujanje najsodobnejše na tabelaričnih podatkih.
Uč lekcija 3 • Linearna in logistična regresija
Izvede regresijo z gradientnim spustom iz nič pred uporabo knjižničnih različic. Vzpostavi zanko optimizacije izgube, ki si jo delijo vsi nadaljnji modeli.
Uč lekcija 4 • Vrednotenje in izbira modela
Uporabi navzkrižno preverjanje, matrike zmede, krivulje ROC in umeritvene grafe za primerjavo modelov. Preprečuje uhajanje podatkov s pravilnimi razdelitvami na učno-preveritveno-testno množico.
Uč lekcija 5 • Metoda podpornih vektorjev in jedra
Pojasnjuje maksimizacijo roba in jedrske trike za nelinearno klasifikacijo. Povezuje geometrijo SVM s praktičnimi izbirami hiperparametrov.

Poglavje 4Poglej podrobnosti

Nevronske mreže in globoko učenje

Uč lekcija 1 • Anatomija nevronske mreže
Opredeljuje plasti, nevrone, uteži, pristranskosti in aktivacijske funkcije kot sestavljive kodne objekte. Povezuje prehod naprej z diferenciabilnim računskim grafom.
Uč lekcija 2 • Učenje na veliki ravni z ogrodji
Izvede učne zanke v PyTorch in TensorFlow s pospeševanjem GPE. Pokriva podatkovne nalagalnike, učenje z mešano natančnostjo in upravljanje kontrolnih točk.
Uč lekcija 3 • Vzvratno razširjanje in optimizatorji
Izpelje vzvratno razširjanje prek verižnega pravila in ga implementira ročno pred uporabo avtomatskega odvajanja. Primerja SGD, Adam in RMSProp glede hitrosti konvergence in stabilnosti.
Uč lekcija 4 • Razhroščevanje učenja nevronske mreže
Diagnosticira izginjajoče gradiente, eksplodirajoče gradiente in mrtve nevrone z diagnostičnimi orodji. Vzpostavi sistematičen potek razhroščevanja, uporaben za vsako arhitekturo.
Uč lekcija 5 • Regularizacija in posploševanje
Uporabi opustitev, paketno normalizacijo, upad uteži in zgodnje ustavljanje za zmanjšanje pretiranega prileganja. Diagnosticira prešibko in pretirano prileganje iz učnih krivulj.

Poglavje 5Poglej podrobnosti

Računalniški vid z globokim učenjem

Uč lekcija 1 • Prenosno učenje in fino ugašanje
Prilagodi prednaučene modele ImageNet novim nalogam z omejenimi označenimi podatki. Pokriva strategije zamrzovanja plasti in načrtovanje hitrosti učenja za fino ugašanje.
Uč lekcija 2 • Arhitekture zaznavanja objektov
Izvede detektorje na osnovi sidrišč in brez sidrišč za iskanje objektov na slikah. Ocenjuje detektorje z uporabo povprečne natančnosti in pragov IoU.
Uč lekcija 3 • Konvolucijske nevronske mreže
Pojasnjuje konvolucijo, združevanje in receptivna polja kot prostorske ekstraktorje značilk. Izvede CNN iz nič in sledi zemljevidom značilk skozi vsako plast.
Uč lekcija 4 • Podatkovno bogatenje vida
Oblikuje cevovode bogatenja, ki izboljšajo posploševanje brez popačenja oznak. Pokriva geometrijske, barvne in napredne strategije bogatenja.
Uč lekcija 5 • Tehnike segmentacije slik
Uporabi modele semantične in segmentacije primerkov za naloge napovedovanja na ravni slikovnih točk. Povezuje arhitekture kodirnika-dekodirnika z izhodnim formatom segmentacije.

Poglavje 6Poglej podrobnosti

Obdelava naravnega jezika in veliki jezikovni modeli

Uč lekcija 1 • Globok potop v arhitekturo transformatorja
Izvede večglavno samopozornost in položajno kodiranje iz nič. Sledi, kako se BERT in GPT razlikujeta v ciljih prednaučenja in nadaljnji uporabi.
Uč lekcija 2 • Fino ugašanje prednaučenih jezikovnih modelov
Prilagodi modele družine BERT za klasifikacijo, prepoznavanje imenskih entitet in odgovarjanje na vprašanja z nalogam specifičnimi glavami. Uporablja parametrsko učinkovite metode, kot je LoRA, za zmanjšanje računskih stroškov.
Uč lekcija 3 • Inženiring pozivov in API-ji velikih jezikovnih modelov
Oblikuje učinkovite pozive za z navodili ugašene velike jezikovne modele z uporabo vzorcev brez primera in z malo primeri. Vključuje API-je velikih jezikovnih modelov v produkcijsko kodo s strukturiranim razčlenjevanjem izhoda.
Uč lekcija 4 • Predstavitev in predobdelava besedila
Pretvori surovo besedilo v numerične predstavitve prek tokenizacije, vložitev in TF-IDF. Vzpostavi predobdelovalno verigo, ki napaja vsak model ONJ.
Uč lekcija 5 • Generiranje s priklicem
Združuje vektorsko iskanje z generiranjem velikih jezikovnih modelov, da odgovore utemelji v zasebnih dokumentih. Izvede celoten cevovod RAG od razdeljevanja na kose do sinteze odgovora.

Poglavje 7Poglej podrobnosti

MLOps in uvajanje modelov

Uč lekcija 1 • Pakiranje modelov in kontejnerizacija
Serializira modele in jih zavije v vsebnike Docker z izolacijo odvisnosti. Pripravi prenosljive slike modelov, pripravljene za uvajanje v katerikoli oblak ali na lokaciji.
Uč lekcija 2 • CI/CD za strojno učenje
Avtomatizira testiranje, preverjanje in uvajanje modelov z za SU specifičnimi cevovodi CI/CD. Vključuje prehode kakovosti podatkov in modelov pred vsako produkcijsko promocijo.
Uč lekcija 3 • Sledenje eksperimentom in ponovljivost
Beleži hiperparametre, metrike in artefakte z MLflow ter Weights and Biases. Omogoča ponovljivo primerjavo eksperimentov med člani ekipe in zagoni.
Uč lekcija 4 • Postrežba modelov kot API-jev
Gradi končne točke za sklepanje REST in gRPC z uporabo FastAPI in TorchServe. Uporablja paketno obdelavo, predpomnjenje in asinhrono obravnavo za izpolnjevanje zahtev zakasnitve.
Uč lekcija 5 • Produkcijsko spremljanje in zaznavanje odmika
Spremlja porazdelitve napovedi, odmik značilk in degradacijo modela v živih sistemih. Sproži avtomatizirano ponovno učenje, ko so preseženi pragovi statističnega odmika.

Poglavje 8Poglej podrobnosti

Napredno načrtovanje sistemov UI

Uč lekcija 1 • Načrtovanje večmodelskih cevovodov
Sestavlja specializirane modele v orkestrirane cevovode z logiko usmerjanja in nadomestno logiko. Uporablja načela načrtovanja sistemov za zahteve zanesljivosti, specifične za UI.
Uč lekcija 2 • Agenti UI in uporaba orodij
Gradi agente, ki jih poganjajo veliki jezikovni modeli, da načrtujejo, kličejo orodja in samostojno iterirajo proti ciljem. Izvede vzorca ReAct in klicanja funkcij z varnostnimi varovali.
Uč lekcija 3 • Odgovorna UI in upravljanje
Vključuje revizije pravičnosti, orodja za razložljivost in tehnike ohranjanja zasebnosti v načrtovanje sistemov. Usklajuje sisteme UI z organizacijskimi zahtevami tveganja in skladnosti.
Uč lekcija 4 • Razširljiva infrastruktura UI
Zagotavlja gruče GPE, porazdeljena učna opravila in samodejno skaliranje sklepanja na platformah v oblaku. Optimizira stroške infrastrukture z uporabo točkovnih primerkov in kvantizacijo modelov.
Uč lekcija 5 • Zaključna sistemska arhitektura
Načrtuje celovit sistem UI od zahtev do uvedbe z uporabo vseh tehnik tečaja. Izdela dokument arhitekture in delujoč prototip kot portfeljski izdelek.

Certifikacija

Vaš veljaven certifikat o zaključku

Ta tečaj je namenjen vam:

Zaledni razvijalec: obstoječim programskim izdelkom želiš dodati zmožnosti umetne inteligence.
Podatkovni analitik: pripravljen/-a si preseči nadzorne plošče in stopiti na področje napovednega modeliranja.
Študent programskega inženirstva: gradiš konkurenčno prednost pred vstopom na trg dela.
Samostojni razvijalec: strankam želiš ponuditi rešitve, podprte z umetno inteligenco, in razširiti dohodek.
Inženir DevOps: ciljaš na to, da prevzameš celoten življenjski cikel uvajanja sistemov strojnega učenja.
Karierni preoblikovalec: prehajaš iz ne-AI tehnične vloge v inženiring strojnega učenja.

Kaj pravijo naši učenci

Vaše predavanja so popolna. Kupil sem enoletni paket in končno imam priložnost spremljati različne teme, ki me zanimajo, ne da bi moral menjati platformo... hvala za vse, kar počnete, že sem vas priporočil drugim ljudem...