Dedika ni jukwaa la kujifunza kwa vitendo: kama kuandaa pendekezo la biashara, kuwa mtaalamu wa kucha, au kutumia zana mpya, kwa mfano. Haijalishi lengo lako ni lipi, tayari kuna maudhui bora kuhusu mada hiyo. Changamoto ni kwamba mara nyingi yapo kwa lugha nyingine, ni ghali, yamezagaa mtandaoni, hayana mazoezi ya kujifunza, au yanapatikana kwenye kozi ndefu mno kwa watu wenye ratiba ngumu. Ndiyo maana Dedika ina mbinu yake maalum: tunatafuta hayo maudhui popote yalipo, tunapanga yale yanayokufaa kulingana na malengo yako, tunayapitia kwa msaada wa wataalamu waliopo kujibu maswali, na tunaandaa mazoezi ili ujifunze kwa kufanya. Wewe ndiye wa muhimu zaidi kwenye safari yako ya kujifunza na hakuna anayekujua zaidi: chagua maudhui na muda wa kozi, kama utajifunza ukiwa na au bila intaneti, na kwa mfumo upi. Inaweza kuwa kwa video, maandishi, sauti au muhtasari. Kwa njia yako, na kile tu kinachokufaa. Hapa, kila dakika unayowekeza ina thamani zaidi na unafikia malengo yako haraka.

Ndio, kozi zetu zote zina toleo la bure. Kozi za bure zina maudhui yale yale ya hali ya juu kama za Pro, lakini hazina mwalimu wala upimaji wa AI (ingekuwa ghali sana kutoa bure), hazina upatikanaji bila mtandao, wala uwezo wa kuchapisha muhtasari, kuna kikomo cha saa moja ya kujifunza kwa siku, na upatikanaji wa siku 90 (muda wa kutosha kumaliza kozi). Kama lengo lako ni kujifunza, kozi yetu ya bure itatosha kupata maarifa yote unayohitaji. Hata hivyo, kama unahitaji manufaa mengine, ni bora uchague Pro. Fedha zinazopatikana kutokana na kozi za Pro ni muhimu ili tuendelee kutoa kozi za bure. Kwa njia hii, tunajaribu kusawazisha dhamira yetu na uendelevu wa mradi.

Kozi zinajumuisha maudhui bora zaidi duniani kuhusu mada husika: video, sauti, makala, na vitabu. Maudhui haya yote yanakuja na muhtasari, podcast (kwa vitabu na makala), na maandishi (kwa video na sauti). Unachagua jinsi unavyopenda kutumia maudhui hayo. Kila nyenzo ina maswali maalum ya kuimarisha maarifa. Pia, kozi inaundwa na sura unazochagua, hivyo unaweza kusoma kile tu kinachokuhusu. Mwisho wa kila sura, kuna mradi wa vitendo unaohusiana na taaluma yako ili kufanya mazoezi ya ulichokijifunza.

Kozi zetu zinajumuisha muhtasari mwisho wa kila sura, ambapo unaweza kupakua PDF na kuichapisha.

Zaidi ya wanafunzi milioni 2 duniani kote

Inapatikana katika nchi zaidi ya 180

Cheti chako kitakuja kuwa halali nchini mwako kikamilifu

Ukurasa wa Nyumbani

...

Kozi ya Python kwa AI

Kozi zote

Biashara na Uchumi

Ujasusi wa biashara

Kozi ya Python kwa AI

Kwa viwango vyote

Kozi ya Python kwa AI

Fahamu Python tangu mwanzo na uitumie moja kwa moja kwa kujifunza kwa mashine, kujifunza kwa kina, na miundo mikubwa ya lugha. Kozi hii inakupeleka kutoka sintaksia ya msingi hadi kujenga programu zinazoendeshwa na LLM na kupeleka miundo ya AI katika uzalishaji. Kila ujuzi unaopata ni wa vitendo, unaofanyika kwa mikono, na unaweza kutumika mara moja kwenye miradi halisi ya AI.

Dedika kwa biashara

Utakachojifunza:

Utaanza na misingi ya Python na kuendelea kupitia NumPy, Pandas, na uwakilishi wa data kwa picha kabla ya kuingia kwenye kujifunza kwa mashine kwa Scikit-Learn na kujifunza kwa kina kwa PyTorch. Utajifunza jinsi ya kusafisha na kuchora sifa kutoka kwa seti halisi za data, kufunza na kutathmini miundo, na kuzuia ujazi kupita kiasi kwa mbinu za urekebishaji zilizothibitishwa. Kozi hii kisha inashughulikia miundo mikubwa ya lugha, ikijumuisha uhandisi wa maagizo, Hugging Face Transformers, uundaji ulioimarishwa wa urejeshaji na urekebishaji mzuri. Pia utachunguza mazoezi ya MLOps kama vile utoaji wa miundo, ufuatiliaji wa majaribio, na mifumo ya CI. Mwishoni, utakuwa na ujuzi wa kujenga, kupeleka, na kudumisha mifumo ya AI kitaalamu.

Jinsi unavyosoma kwa vitendo Kozi ya Python kwa AI

Jinsi unavyofanya mazoezi Kozi ya Python kwa AI

Kwa ajili yako ambaye ni kampuni na unataka kufundisha timu yako

Katika Dedika kwa ajili ya kampuni, kozi inakuja na mazoezi na mifano inayohusiana na biashara yako na jinsi kampuni yako inavyohitaji.

Bofya hapa

Maudhui ya kozi

8 Suras • 39 MasomoMuda kati ya 4 na 360 masaa (wewe unachagua)

Sura 1Tazama maelezo

Msingi wa Python kwa Kazi za Akili Bandia

Somo 1 • Kusanidi Mazingira Yako ya Python
Sakinisha Python, sanidi mazingira pepe, na uchague IDE inayofaa kwa maendeleo ya AI. Hii inaweka msingi wa kiufundi ambao kila sura inayofuata inategemea.
Somo 2 • Udhibiti wa Mtiririko na Mizunguko
Tumia vigezo na urudiaji ili kufanya kazi za data za AI zinazojirudia kiotomatiki. Hii huwezesha moja kwa moja mifumo ya usindikaji wa kundi inayotumiwa katika kozi nzima.
Somo 3 • Kurekebisha Hitilafu na Kushughulikia Makosa
Soma athari za makosa, tumia kirekebisha hitilafu, na andika vitalu vya try/except ili kushughulikia makosa ya wakati wa utekelezaji. Kushughulikia makosa kwa kutegemewa kunazuia kushindwa kwa kimya katika mtiririko wa kazi wa AI.
Somo 4 • Sintaksia ya Msingi ya Python na Aina za Data
Shughulikia vigezo, viendeshaji, nyuzi, namba, na booleani pamoja na mifano inayohusiana na AI. Hutoa msamiati kwa kazi zote za uendeshaji data zijazo.
Somo 5 • Vitendakazi na Msimbo wa Moduli
Fasilisha vitendakazi vinavyoweza kutumika tena vikiwa na vigezo, thamani za kurudisha, na nyaraka za msimbo. Muundo wa moduli ni muhimu kwa mifumo ya usafirishaji wa data ya AI inayoweza kudumishwa itakayojengwa baadaye.

Sura 2Tazama maelezo

Miundo ya Data kwa Matumizi ya AI

Somo 1 • Kufanya Kazi na Nyuzi na Maandishi
Tumia mbinu za nyuzi, uumbizaji, na vielezi vya kawaida kusafisha data ghafi ya maandishi. Usindikaji wa awali wa maandishi ni hatua ya msingi katika kila mfumo wa usafirishaji wa NLP na LLM.
Somo 2 • Kuingiza/Kutoa Faili na Ufuatanishaji Data
Soma na uandike faili za maandishi, CSV, na JSON ili kuhifadhi na kubadilishana data ya AI. Huunganisha hati za Python na vyanzo vya data vya ulimwengu halisi vinavyotumiwa katika sura za baadaye.
Somo 3 • Kamusi na Seti
Hifadhi jozi za ufunguo-thamani na mikusanyiko ya kipekee kwa utafutaji wa haraka na uondoaji wa nakala. Miundo hii inaunda msingi wa ramani za vipengele na jedwali za msamiati katika kazi za NLP.
Somo 4 • Orodha na Nyongo kwa Kina
Dhibiti mifuatano iliyopangwa kwa kutumia kukata, ufupishaji, na mbinu zilizojengewa ndani. Orodha ni chombo kikuu cha data ghafi ya AI na matokeo ya mfano.
Somo 5 • Wakurudiaji, Wazalishaji, na Ufanisi
Tumia wazalishaji na tathmini ya uvivu kushughulikia seti kubwa za data bila kumaliza kumbukumbu. Urudiaji mzuri ni muhimu wakati wa kuchakata mamilioni ya sampuli za mafunzo.

Sura 3Tazama maelezo

Ukokotoaji wa Namba kwa NumPy

Somo 1 • Aljebra ya Mstari kwa NumPy
Fanya kuzidisha matriki, mtengano, na kutatua mifumo ya mstari. Shughuli hizi ni kiini cha hisabati cha mitandao ya neva na upunguzaji wa vipimo.
Somo 2 • Kuorodhesha, Kukata, na Kubadilisha Umbile
Chagua, chuja, na badilisha umbile la data ya safu kwa kutumia mbinu za juu za kuorodhesha. Kubadilisha umbile kunahitajika kabla ya kulisha data kwenye tabaka za mitandao ya neva.
Somo 3 • Muhtasari wa Takwimu na Sampuli Nasibu
Kokotoa takwimu za maelezo na utengeneze sampuli nasibu zinazoweza kuzalishwa tena kwa majaribio ya AI. Sampuli inayoweza kuzalishwa tena inahakikisha tathmini ya haki ya mfano na ulinganishaji.
Somo 4 • Shughuli za Vekta na Utangazaji
Tumia hesabu za kipengele-na-kipengele na sheria za utangazaji ili kuepuka mizunguko ya polepole ya Python. Urahisishaji wa vekta ndio msingi wa utendaji wa ukokotoaji wote wa namba wa AI.
Somo 5 • Safu za NumPy na Uundaji wa Safu
Unda safu kutoka kwa orodha, safu, na usambazaji nasibu kwa aina sahihi za data. Safu ni chombo cha data cha jumla kwa tensa na matriki katika AI.

Sura 4Tazama maelezo

Uchambuzi wa Data kwa Pandas

Somo 1 • Kupanga, Muhtasari wa Data, na Kuunganisha
Fanya muhtasari wa data kwa groupby na uunganishe seti za data kwa kutumia shughuli za merge na join. Ujuzi huu unawezesha uhandisi wa vipengele kutoka kwa vyanzo vingi vya data vinavyohusiana.
Somo 2 • Usafi wa Data na Ubadilishaji
Shughulikia thamani zinazokosekana, nakala, na aina zisizo sahihi kutoa seti za data safi. Data safi huamua moja kwa moja ubora wa mifano ya AI iliyofunzwa.
Somo 3 • Uhandisi wa Vipengele kwa Pandas
Unda vipengele vipya kwa kupanga katika makundi, kusimba, na kutumia vitendakazi maalum. Vipengele vilivyoundwa mara nyingi vina athari kubwa zaidi kwa usahihi wa mfano.
Somo 4 • Kuchuja, Kupanga, na Kuhoji
Tumia vichujio vya boolean, nyuzi za hoja, na shughuli za kupanga kutenga data muhimu. Kuchuja kwa usahihi ni muhimu kwa kuunda mgawanyiko wa mafunzo na uthibitishaji.
Somo 5 • Misingi ya DataFrames na Series
Unda DataFrames kutoka CSV, JSON, na kamusi na ukague muundo wao. Kuelewa anatomia ya DataFrame ni sharti kwa kazi zote za uendeshaji data.

Sura 5Tazama maelezo

Uwakilishi wa Data kwa Picha kwa Ufahamu wa AI

Somo 1 • Misingi ya Matplotlib
Jenga chati za mstari, chati za pau, na chati za nukta zilizotawanyika kwa kutumia API inayolenga vitu ya Matplotlib. Msingi thabiti wa Matplotlib unasaidia kila maktaba ya juu ya taswira.
Somo 2 • Mtiririko wa Kazi wa Uchambuzi wa Data ya Ugunduzi
Unganisha Pandas na zana za taswira ili kutengeneza wasifu wa seti mpya ya data kwa utaratibu. EDA iliyopangwa hupunguza mshangao wakati wa mafunzo na tathmini ya mfano.
Somo 3 • Kuibua Utendaji wa Mfano
Panda chati za mzingo wa mkanganyiko, mikondo ya ROC, na mikondo ya kujifunza ili kutathmini mifano ya AI. Taswira za utendaji ni muhimu kwa kutambua ufinyu wa mafunzo na upanuzi wa mafunzo.
Somo 4 • Takwimu za Kuibua kwa Seaborn
Unda grafu za usambazaji, ramani za joto, na grafu za jozi ili kufichua mifumo ya takwimu. Taswira za takwimu huongoza uteuzi wa vipengele na uchambuzi wa uhusiano kabla ya uundaji mfano.

Sura 6Tazama maelezo

Kujifunza kwa Mashine kwa Scikit-Learn

Somo 1 • Kujifunza Bila Usimamizi na Upunguzaji wa Vipimo
Panga data katika makundi kwa K-Means na punguza vipimo kwa PCA kwa uchambuzi wa ugunduzi. Mbinu zisizo na usimamizi zinafichua muundo uliofichwa katika seti za data za AI zisizo na lebo.
Somo 2 • API ya Scikit-Learn na Mtiririko wa Kazi
Elewa muundo wa fit/predict/transform na ujenge mfumo kamili wa ML. API iliyounganishwa hufanya kubadili kati ya mifano na hatua za usindikaji wa awali kuwa rahisi.
Somo 3 • Kujifunza Kwa Usimamizi: Uainishaji
Funza urejeshaji wa logistiki, miti ya maamuzi, na viainishaji vya mkusanyiko kwenye data iliyowekwa lebo. Uainishaji ndio kazi ya kawaida zaidi ya AI katika matumizi ya biashara na utafiti.
Somo 4 • Kujifunza Kwa Usimamizi: Urejeshaji
Taba shabaha zinazoendelea kwa kutumia mifano ya urejeshaji ya mstari, polynomial, na iliyodhibitiwa. Urejeshaji ndio msingi wa matukio ya utabiri, bei, na makadirio ya mahitaji.
Somo 5 • Tathmini ya Mfano na Urekebishaji wa Vigezo vya Juu
Tumia uthibitishaji mtambuka, utafutaji wa gridi, na vipimo vya alama ili kuboresha utendaji wa mfano. Tathmini madhubuti inazuia upanuzi wa mafunzo na inahakikisha mifano inajumlisha vyema.

Sura 7Tazama maelezo

Kujifunza kwa Kina kwa PyTorch

Somo 1 • Mizunguko ya Mafunzo na Uboreshaji
Tekeleza mizunguko kamili ya mafunzo pamoja na vitendakazi vya hasara, viboreshaji, na ratiba za viwango vya kujifunza. Mzunguko wa mafunzo uliopangwa vyema ndio kiini cha kila jaribio la kujifunza kwa kina.
Somo 2 • Kujenga Mitandao ya Neva kwa nn.Module
Fasilisha usanifu wa mtandao maalum kwa kutumia nn.Module, tabaka, na vitendakazi vya uanzishaji. Muundo wa moduli ya mtandao unawezesha majaribio ya haraka na usanifu tofauti.
Somo 3 • Mitandao ya Neva ya Kusokota kwa Picha
Jenga CNNs na tabaka za kusokota, kuweka vidimbwi, na zilizounganishwa kikamilifu kwa kazi za picha. CNNs ndio usanifu mkuu kwa matumizi ya AI ya maono ya kompyuta.
Somo 4 • Misingi ya Tensa na Autograd
Unda na udhibiti tensa za PyTorch na uelewe utofautishaji wa kiotomatiki. Autograd ndio injini nyuma ya kujifunza kwa msingi wa gradient katika mifano yote ya kujifunza kwa kina.
Somo 5 • Urekebishaji na Uboreshaji wa Mfano
Tumia kuacha (dropout), kusawazisha kwa kundi, na kusimamisha mapema ili kupunguza upanuzi wa mafunzo. Mbinu hizi ni muhimu kwa kupeleka mifano inayojumlisha kwa data mpya.

Sura 8Tazama maelezo

Kufanya Kazi na Mifano Mikubwa ya Lugha

Somo 1 • API za LLM na Uhandisi wa Maagizo
Ita API za LLM, panga maagizo, na chambua majibu kwa kazi za chini ya mkondo. Uwekaji wa maagizo mzuri huboresha kwa kiasi kikubwa ubora wa matokeo bila mafunzo yoyote ya mfano.
Somo 2 • Maktaba ya Hugging Face Transformers
Pakia mifano iliyofunzwa awali na vitokeni kutoka Hugging Face Hub kwa uelekezaji. Maktaba ya Transformers hutoa ufikiaji kwa maelfu ya mifano ya AI iliyo tayari kutumika.
Somo 3 • Kizazi Kilichoimarishwa kwa Urejeshaji
Unganisha utafutaji wa vekta na uundaji wa LLM kuweka majibu katika nyaraka za nje. RAG hupunguza udanganyifu na kuwezesha LLM kujibu maswali maalum ya kikoa.
Somo 4 • Kurekebisha LLM kwa Data Maalum
Andaa seti za data na uendesha urekebishaji mzuri wa kigezo kwa ufanisi ili kurekebisha mifano kwa nyanja mpya. Urekebishaji mzuri hutoa usahihi wa juu kuliko uwekaji maagizo pekee kwa kazi maalum.
Somo 5 • Kujenga Programu Zinazotumia LLM
Unganisha miito ya LLM, zana, na kumbukumbu kwa kutumia mfumo wa uratibu kujenga mawakala. Mifumo ya mawakala huongeza LLM zaidi ya maswali na majibu ya mzunguko mmoja hadi mtiririko changamano wa hatua nyingi.

Uthibitisho

Cheti chako halali cha kumaliza

Kozi hii ni kwa ajili yako:

Wanaotarajia kuwa wanasayansi wa data: tayari kuondoka kwenye mafunzo ya mwongozo hadi kwenye ujuzi uliopangwa na tayari kwa ajira.
Watengenezaji programu: wanaotaka kupanua utaalamu wao hadi kwenye mifumo ya kujifunza kwa mashine na AI.
Wachambuzi wa biashara: wanaotaka kugeuza maarifa kuwa otomatiki na kujenga mifumo ya AI inayoendeshwa na data kwa kujitegemea.
Wabadilishaji taaluma: wanaohamia kwenye majukumu ya AI bila msingi wa jadi wa sayansi ya kompyuta.
Wataalamu wa utafiti: wanaohitaji ufasaha wa Python kutekeleza na kujaribu miundo ya AI.
Wafanyabiashara na wajenzi wa bidhaa: wanaolenga kuunda mfano na kusafirisha vipengele vinavyoendeshwa na AI wenyewe.

Kile ambacho wanafunzi wetu wanasema

Masomo yenu ni mazuri sana. Nilinunua kifurushi cha mwaka mmoja na, hatimaye, nina fursa ya kufuata mada mbalimbali za maslahi yangu bila kuhitaji kubadilisha jukwaa... ninashukuru kwa kila kitu mnachofanya, nimeshawapendekeza kwa watu wengine...