Kurso sa AI para sa mga Programmer

Aralin 1 • Ano Talaga ang AI

Tinutukoy ang AI, machine learning, at deep learning bilang magkakahiwalay na antas. Ibinabatay ang mga abstraktong kahulugan sa mga konkretong gawain sa programming na kinikilala na ng mga developer.

Aralin 2 • Kasaysayan at mga Milestone ng AI

Sinusubaybayan ang mga pangunahing tagumpay mula sa mga maagang perceptron hanggang sa mga modelong transformer. Nagbibigay ng konteksto kung bakit nangingibabaw ang mga modernong pamamaraan sa kasalukuyang kasanayan.

Aralin 3 • Mahahalagang Matematika para sa AI

Sinusuri ang mga konsepto ng linear algebra, probability, at calculus na ginagamit araw-araw sa AI code. Nakatuon sa intuwisyon at aplikasyon sa antas ng code sa halip na mga pormal na patunay.

Aralin 4 • Mga Pangunahing Kategorya ng Problema sa AI

Iniuugnay ang supervised, unsupervised, at reinforcement learning sa mga tunay na gawain sa engineering. Nagbibigay-daan sa mga developer na ibalangkas ang mga bagong problema sa loob ng tamang paradigma ng pagkatuto.

Aralin 1 • Feature Engineering at Transformation

Binabago ang mga raw field tungo sa model-ready features sa pamamagitan ng encoding, scaling, at aggregation. Ipinapakita kung paano direktang nakaaapekto ang kalidad ng feature sa katumpakan ng modelo.

Aralin 2 • Pagkolekta at Pag-ingest ng Datos

Sumasaklaw sa web scraping, API ingestion, at database extraction para sa AI datasets. Itinatatag ang mga legal at etikal na hangganan sa pagkukunan ng datos.

Aralin 3 • Pagbubuo ng Reproducible Data Pipelines

Binabalot ang mga data transformation sa versioned, testable na mga yugto ng pipeline. Ipinapakilala ang mga tool sa data versioning upang masubaybayan ang mga pagbabago sa dataset sa iba't ibang eksperimento.

Aralin 4 • Paglilinis at Pagpapatunay ng Datos

Gumagamit ng mga programatikong pamamaraan upang matukoy at maayos ang mga missing values, outliers, at duplicates. Pinapatunayan ang mga schema at distribution bago pumasok ang datos sa isang training pipeline.

Aralin 1 • Clustering at Dimensionality Reduction

Inilalapat ang k-means, DBSCAN, PCA, at t-SNE sa mga gawain ng unsupervised discovery. Itinuturo ang mga evaluation metric para sa mga sitwasyong may unlabeled data.

Aralin 2 • Mga Modelong Batay sa Tree

Bumubuo ng mga decision tree, random forest, at gradient-boosted tree na may tunable hyperparameters. Ipinapaliwanag ang ensemble mechanics na gumagawa sa boosting bilang state-of-the-art sa tabular data.

Aralin 3 • Linear at Logistic Regression

Ipinapatupad ang gradient-descent regression mula sa simula bago gumamit ng mga bersyon ng library. Itinatatag ang loss-optimization loop na ibinabahagi ng lahat ng kasunod na modelo.

Aralin 4 • Evaluation at Pagpili ng Modelo

Inilalapat ang cross-validation, confusion matrices, ROC curves, at calibration plots upang ihambing ang mga modelo. Pinipigilan ang data leakage sa pamamagitan ng tamang train-validation-test splits.

Aralin 1 • Anatomiya ng isang Neural Network

Tinutukoy ang mga layer, neuron, timbang, bias, at activation function bilang mga composable na code object. Iniuugnay ang forward pass sa isang differentiable computation graph.

Aralin 2 • Pagsasanay sa Scale gamit ang mga Framework

Ipinapatupad ang mga training loop sa PyTorch at TensorFlow na may GPU acceleration. Sumasaklaw sa mga data loader, mixed-precision training, at checkpoint management.

Aralin 3 • Backpropagation at mga Optimizer

Hinango ang backpropagation sa pamamagitan ng chain rule at manu-mano itong ipinapatupad bago gamitin ang autograd. Inihahambing ang SGD, Adam, at RMSProp sa bilis at katatagan ng convergence.

Aralin 4 • Pag-debug ng Neural Network Training

Sinusuri ang vanishing gradients, exploding gradients, at dead neurons gamit ang mga diagnostic tool. Nagtatag ng isang sistematikong daloy ng trabaho sa pag-debug na naaangkop sa anumang arkitektura.

Aralin 1 • Transfer Learning at Fine-Tuning

Inaangkop ang mga pretrained na modelo ng ImageNet sa mga bagong gawain na may limitadong may-label na datos. Sumasaklaw sa mga estratehiya ng layer freezing at learning rate scheduling para sa fine-tuning.

Aralin 2 • Mga Arkitektura ng Object Detection

Ipinapatupad ang mga anchor-based at anchor-free detector para sa paghahanap ng mga bagay sa mga imahe. Sinusuri ang mga detector gamit ang mean average precision at IoU thresholds.

Aralin 3 • Mga Convolutional Neural Network

Ipinapaliwanag ang convolution, pooling, at receptive fields bilang mga spatial feature extractor. Ipinapatupad ang isang CNN mula sa simula at sinusubaybayan ang mga feature map sa bawat layer.

Aralin 4 • Pagpapalawig ng Datos ng Paningin

Nagdidisenyo ng mga augmentation pipeline na nagpapahusay ng generalization nang hindi sinisira ang mga label. Sumasaklaw sa geometric, color, at advanced na mga estratehiya ng augmentation.

Aralin 1 • Malalim na Pagsisid sa Arkitektura ng Transformer

Ipinapatupad ang multi-head self-attention at positional encoding mula sa simula. Sinusubaybayan kung paano nagkakaiba ang BERT at GPT sa mga layunin ng pretraining at downstream na paggamit.

Aralin 2 • Fine-Tuning ng mga Pretrained Language Model

Iniaangkop ang mga modelo ng pamilyang BERT sa mga gawain ng classification, NER, at QA gamit ang mga task-specific head. Naglalapat ng mga parameter-efficient na pamamaraan tulad ng LoRA upang mabawasan ang gastos sa compute.

Aralin 3 • Prompt Engineering at LLM APIs

Nagdidisenyo ng mga epektibong prompt para sa instruction-tuned LLM gamit ang zero-shot at few-shot pattern. Isinasama ang LLM APIs sa production code na may structured output parsing.

Aralin 4 • Representasyon ng Teksto at Preprocessing

Kino-convert ang hilaw na teksto sa numerical representation sa pamamagitan ng tokenization, embeddings, at TF-IDF. Itinatatag ang preprocessing chain na nagpapakain sa anumang modelo ng NLP.

Aralin 1 • Packaging ng Modelo at Containerization

Ni-serialize ang mga modelo at ibinabalot ang mga ito sa Docker containers na may dependency isolation. Naghahanda ng portable model images na maaaring i-deploy sa anumang cloud o on-premise na target.

Aralin 2 • CI/CD para sa Machine Learning

Ina-automate ang testing, validation, at deployment ng modelo sa pamamagitan ng ML-specific CI/CD pipelines. Isinasama ang mga data at model quality gates bago ang anumang pag-promote sa production.

Aralin 3 • Experiment Tracking at Reproducibility

Nagla-log ng hyperparameters, metrics, at artifacts gamit ang MLflow at Weights and Biases. Nagbibigay-daan sa reproducible na paghahambing ng eksperimento sa mga miyembro ng koponan at mga run.

Aralin 4 • Pagse-serve ng mga Modelo bilang API

Bumubuo ng REST at gRPC inference endpoints gamit ang FastAPI at TorchServe. Naglalapat ng batching, caching, at async handling upang matugunan ang mga kinakailangan sa latency.

Aralin 1 • Pagdidisenyo ng Multi-Model Pipelines

Binubuo ang mga espesyalisadong modelo sa mga naka-orkestrang pipeline na may routing at fallback logic. Naglalapat ng mga prinsipyo ng system design sa mga pangangailangang partikular sa AI sa pagiging maaasahan.

Aralin 2 • AI Agents at Tool Use

Bumubuo ng LLM-powered agents na nagpaplano, tumatawag ng mga tool, at umuulit patungo sa mga layunin nang awtonomo. Ipinapatupad ang mga pattern ng ReAct at function-calling na may safety guardrails.

Aralin 3 • Responsableng AI at Pamamahala

Isinasama ang fairness audits, explainability tools, at mga pamamaraang nagpapanatili ng privacy sa disenyo ng system. Iniaayon ang mga AI system sa panganib ng organisasyon at mga kinakailangan sa pagsunod.

Aralin 4 • Scalable na AI Infrastructure

Nagpo-provision ng GPU clusters, distributed training jobs, at inference autoscaling sa cloud platforms. Ino-optimize ang gastos sa imprastruktura sa pamamagitan ng spot instances at model quantization.