Kozi ya Machine Learning na Deep Learning

Somo la 1 • Uwakilishi wa Data na Usindikaji wa Awali

Inafundisha jinsi data ghafi inavyobadilishwa kuwa vipengele vilivyo tayari kwa mfano. Inawezesha moja kwa moja mafunzo ya mifano yenye ufanisi katika sura za baadaye.

Somo la 2 • Seti ya Zana za Python kwa ML

Inatanguliza NumPy, Pandas, na Matplotlib kama mrundiko mkuu wa uendeshaji wa data na taswira. Huandaa wanafunzi kwa usimbaji wa vitendo katika sura zote zinazofuata.

Somo la 3 • Nini Ujifunzaji wa Mashine Ni

Inafafanua ML, uhusiano wake na AI na takwimu, na aina za ujifunzaji. Inaweka nanga ya maudhui yote ya kitaalamu yanayofuata katika ramani ya dhana iliyounganishwa.

Somo la 4 • Hisabati Muhimu kwa ML

Inashughulikia aljebra ya mstari, calculus, uwezekano, na takwimu zinazohitajika kwa algorithm za ML. Inatoa lugha ya kiasi inayotumika katika kozi nzima.

Somo la 1 • Tathmini na Uchaguzi wa Mfano

Inatoa mbinu za kina za kupima na kulinganisha utendaji wa mfano. Inahakikisha wanafunzi wanaweza kufanya maamuzi ya kuchagua mfano yanayoweza kuteteleka.

Somo la 2 • Urekebishaji wa Vigezo

Inashughulikia mikakati ya utafutaji ya utaratibu kwa ajili ya kuboresha usanidi wa mfano. Inaziba pengo kati ya mfano unaofanya kazi na ule ulio tayari kwa uzalishaji.

Somo la 3 • Miti ya Maamuzi na Mbinu za Ensemble

Inaelezea vigezo vya mgawanyiko vinavyotegemea miti na kuvipanua hadi kwa mifano ya ensemble yenye nguvu. Wanafunzi hupata zana za uundaji wa data ya majedwali yenye usahihi wa juu.

Somo la 4 • Urejeshi wa Mstari na wa Logistic

Inashughulikia urejeshi wa kawaida wa miraba ndogo na urejeshi wa logistic kwa uainishaji wa binary. Inaanzisha dhana ya kati ya kupunguza hasara inayotumika katika mifano yote ya ML.

Somo la 1 • Upunguzaji wa Vipimo

Inafundisha PCA, t-SNE, na UMAP kwa kubana data yenye vipimo vingi. Huwezesha taswira na kuboresha utendaji wa mifano ya baadaye.

Somo la 2 • Mbinu za Kugundua Hitilafu

Inashughulikia mbinu za takwimu na za mfano za kutambua watoroshaji. Inatumika moja kwa moja kwa ugunduzi wa ulaghai, udhibiti wa ubora, na mifumo ya ufuatiliaji.

Somo la 3 • Algorithm za Upangaji

Inatanguliza mbinu za upangaji wa kugawa na daraja kwa kupanga pointi za data zinazofanana. Huunda uelewa wa vipimo vya umbali na tathmini ya ubora wa vikundi.

Somo la 1 • Uenezi wa Mbele na Nyuma

Inatoa hisabati ya hesabu ya kupita mbele na uenezi wa gradient nyuma. Wanafunzi wanaweza kufuatilia mtiririko wa data na sasisho za gradient kwa njia ya mtandao kwa mkono.

Somo la 2 • Neuroni za Kibiolojia hadi Bandia

Inaweka ramani ya muundo wa neuroni ya kibiolojia kwa mfano wa perceptron na mitandao ya tabaka nyingi. Inaweka msingi wa usanifu wa ujifunzaji wa kina katika msingi wa dhana wenye uelewa wa angavu.

Somo la 3 • Algorithm za Uboreshaji

Inalinganisha anuwai za ushuko wa gradient na viboresha badilifu kwa uthabiti wa mafunzo. Inaathiri moja kwa moja kasi ya muunganiko na usahihi wa mwisho wa mfano.

Somo la 4 • Udhibiti wa Ukawaida katika Mitandao ya Neva

Inafundisha utoaji, urekebishaji wa kundi, na upunguzaji wa uzani ili kupambana na ujazaji kupita kiasi. Huandaa wanafunzi kujenga mitandao inayoweza kujumlisha kwa data isiyoonekana.

Somo la 1 • Mbinu Bora za Mafunzo ya CNN

Inashughulikia mifumo ya uongezaji picha, mafunzo ya usahihi mchanganyiko, na mikakati ya utatuzi. Inahakikisha wanafunzi wanaweza kufunza CNN kwa ufanisi kwenye seti za data halisi.

Somo la 2 • Usanifu wa Kawaida wa CNN

Inakagua kanuni za usanifu za LeNet, AlexNet, VGG, ResNet, na EfficientNet. Inafundisha mageuzi ya usanifu na mantiki nyuma ya kila chaguo la usanifu.

Somo la 3 • Ugunduzi na Ugawaji wa Vitu

Inapanua CNN za uainishaji hadi kazi za ujanibishaji na uwekaji lebo wa kiwango cha pikseli. Inashughulikia YOLO, Faster R-CNN, na U-Net kwa matumizi halisi ya maono.

Somo la 4 • Uendeshaji wa Kigeuzi na Uchujaji

Inaelezea uendeshaji wa kigeuzi, ujifunzaji wa kichujio, na upunguzaji wa sampuli za anga. Inaanzisha kanuni za msingi za hesabu za usanifu wote wa CNN.

Somo la 1 • Usanifu wa LSTM na GRU

Inaelezea kwa kina utaratibu wa milango unaowezesha ujifunzaji wa utegemezi wa masafa marefu. Wanafunzi wanatekeleza na kulinganisha LSTM na GRU kwenye kazi za mfuatano za benchmark.

Somo la 2 • Mifano ya Mfuatano kwa Mfuatano

Inashughulikia usanifu wa kisimbaji-msimbuzi kwa uchoraji wa ingizo-tokeo lenye urefu tofauti. Inatumika moja kwa moja kwa tafsiri ya mashine, muhtasari, na chatboti.

Somo la 3 • Utabiri wa Mfululizo wa Saa kwa RNN

Inatumia mifano ya kurudia kwa matatizo ya utabiri wa kigezo kimoja na vigezo vingi. Inaunganisha nadharia ya uundaji wa mfuatano na matukio ya utabiri wa biashara na kisayansi.

Somo la 1 • Uhandisi wa Maarifa na Ujifunzaji katika Muktadha

Inafundisha mikakati ya ujifunzaji usio na mifano, wenye mifano michache, na ujifunzaji wa mnyororo wa mawazo. Huwawezesha wanafunzi kupata utendaji wa juu kutoka kwa LLM bila kufunza upya.

Somo la 2 • Kurekebisha Mifano ya Lugha Iliyofunzwa Awali

Inatumia Hugging Face Transformers kwa kazi za uainishaji, NER, na QA. Inawapa wanafunzi utaratibu wa vitendo wa kurekebisha LLM kwa matatizo maalum ya kikoa.

Somo la 3 • Urekebishaji Mwembamba Wenye Ufanisi wa Kigezo

Inashughulikia LoRA, urekebishaji wa kiambishi awali, na urekebishaji wa maarifa kwa urekebishaji wa rasilimali chache. Inapunguza gharama za hesabu na kumbukumbu huku ikihifadhi utendaji wa ushindani.

Somo la 4 • Umakini Binafsi na Transfoma

Inatoa umakini wa bidhaa iliyopimwa na kumweka kichwa kwa wingi kutoka kanuni za kwanza. Inaelezea kwa nini Transfoma zilichukua nafasi ya RNN kama usanifu mkuu wa mfuatano.

Somo la 1 • Ufuatiliaji wa Majaribio na Uwezo wa Kuzalisha Tena

Inatumia MLflow na Weights & Biases kurekodi majaribio na kusimamia nyaraka. Inaanzisha nidhamu inayohitajika kwa utafiti shirikishi wa ML unaoweza kuzalishwa tena.

Somo la 2 • Mifumo ya Bomba ya ML na Urathi wa Mtiririko wa Kazi

Inajenga mifumo ya bomba ya mafunzo kiotomatiki kwa kutumia zana kama Airflow na Kubeflow. Huwezesha kufunza upya kwa kuendelea na kupunguza uingiliaji wa mikono katika uzalishaji.

Somo la 3 • Ufuatiliaji na Ugunduzi wa Mwendo wa Data

Inatekeleza majaribio ya takwimu na dashibodi kugundua mwendo wa mfano na data. Inahakikisha utendaji wa mfano unaoendelea baada ya usambazaji katika mazingira yanayobadilika.

Somo la 4 • Utoaji Huduma wa Mfano na API

Husambaza mifano kama API za REST kwa kutumia FastAPI na huduma ndogo zilizowekwa kwenye kontena. Inaunganisha mifano iliyofunzwa na programu za ulimwengu halisi na watumiaji wa mwisho.