Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
1. Εισαγωγή στη Μηχανική Τεχνητής Νοημοσύνης
- Τι είναι η Μηχανική Τεχνητής Νοημοσύνης;
- AI έναντι Μάθησης Μηχανής έναντι Βαθιάς Μάθησης.
- Ο κύκλος ζωής της Μηχανικής AI.
- Eφαρμογές του AI σε διάφορους τομείς.
- Ρόλοι και ευθύνες ενός μηχανικού AI.
2. Θεμέλια της Τεχνητής Νοημοσύνης
- Βασικές έννοιες και ορολογία της AI.
- Eποπτευόμενη, ανεπιβλέπτημη και ενισχυτική μάθηση.
- Νευρωνικά δίκτυα και θεμέλια της βαθιάς μάθησης.
- Eπισκόπηση της γονιμιμής AI (Generative AI) και των μοντέλων βάσης.
- Οικοσυστήματα και πλαίσια ανάπτυξης AI.
3. Python για Μηχανική AI
- Βιβλιοθήκες Python απαραίτητες για το AI.
- NumPy, Pandas και Matplotlib.
- Επεξεργασία και οπτικοποίηση δεδομένων.
- Χρήση των Jupyter Notebooks.
- Συγγραφή επαναχρησιμοποιήσιμου κώδικα AI.
4. Προετοιμασία Δεδομένων για AI
- Sυλλογή και κατανόηση数据集.
- Cκάθαρισμα δεδομένων και προκαταρκτική επεξεργασία.
- Μηχανική χαρακτηριστικών (Feature Engineering).
- Κλίμακα και κανονικοποίηση χαρακτηριστικών.
- Διαίρεση数据集 σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής.
- Αντιμετώπιση ελλιπών τιμών και ακραίων παρατηρήσεων.
5. Θεμέλια της Μάθησης Μηχανής
- Αλγόριθμοι παλινδρόμησης.
- Αλγόριθμοι ταξινόμησης.
- Τεχνικές συστάδασης (Clustering).
- Διαδικασία εκπαίδευσης μοντέλου.
- Mετρική αξιολόγησης μοντέλου.
- Πρόληψη υπερπροσαρμογής (overfitting) και υποπροσαρμογής (underfitting).
6. Δημιουργία Μοντέλων AI με TensorFlow και PyTorch
- Eισαγωγή στο TensorFlow.
- Eισαγωγή στο PyTorch.
- Δημιουργία νευρωνικών δικτύων.
- Εκπαίδευση και επικύρωση μοντέλου.
- Αποθήκευση και φόρτωση μοντέλων.
- Sυγκριτική ανάλυση των δύο πλαισίων.
7. Θεμέλια της Επεξεργασίας Φυσικής Γλώσσας (NLP)
- Προκαταρκτική επεξεργασία κειμένου.
- Eκφράσεις λέξεων (Word Embeddings).
- Tαξινόμηση κειμένου.
- Aνάλυση συναισθήματος (Sentiment Analysis).
- Eισαγωγή στα μοντέλα Transformer.
- Πρακτικές εφαρμογές NLP.
8. AI στην Ανάπτυξη Λογισμικού
- Oλοκλήρωση AI σε υπάρχουσες εφαρμογές.
- Kλήση υπηρεσιών AI μέσω API.
- Aνάπτυξη εφαρμογών με δυνατότητα AI.
- Eργαλεία υποβοήθησης ανάπτυξης λογισμικού με AI.
- Δοκιμή εφαρμογών με ενσωματωμένο AI.
9. Βέλτιστες Πρακτικές στη Μηχανική AI
- Oργάνωση έργου.
- Έλεγχος έκδοσης με Git.
- Καταγραφή πειραμάτων.
- Versioning μοντέλων.
- Πρότυπα τεκμηρίωσης.
- Αναπαραγωγιμότητα σε έργα AI.
10. Τοποθέτηση (Deployment) Μοντέλων AI
- Sεριοποίηση μοντέλου.
- Aνάπτυξη υπηρεσιών συλλογής αποτελεσμάτων (inference services).
- REST APIs για μοντέλα AI.
- Eισαγωγή στο Docker για deployment AI.
- Παρακολούθηση τοποθετημένων μοντέλων.
- Sυντήρηση και ενημέρωση μοντέλων.
11. Μηχανική Δεδομένων AI
- Αγωγοί δεδομένων (Data pipelines).
- Διαδικασίες ETL.
- Διαχείριση δομημένων και μη δομημένων δεδομένων.
- Eπιλογές αποθήκευσης δεδομένων.
- Διαχείριση ποιότητας δεδομένων.
- Προετοιμασία datasets έτοιμων για παραγωγή.
12. Υπεύθυνη και Ηθική AI
- Στερεότυπα (Bias) και δικαιοσύνη στην AI.
- Εξηγήσιμη AI (XAI).
- Προστασία προσωπικών δεδομένων και απόρρητο.
- Eφαρμογές ασφαλείας για AI.
- Aνάπτυξη υπεύθυνης AI.
- Κανονιστικές και διακυβερνητικές προϋποθέσεις.
13. Διαχείριση Έργων AI
- O κύκλος ζωής ενός έργου AI.
- Ανταγωνιστικές μεθοδολογίες για έργα AI.
- Sυνεργασία μεταξύ τεχνικών και επιχειρηματικών ομάδων.
- Εκτίμηση έργων AI.
- Διαχείριση κινδύνων.
- Μέτρηση της επιτυχίας του έργου.
14. Χειρονακτικό Εργαστήριο Μηχανικής AI και Μελλοντικές Τάσεις
- Ρύθμιση ενός πλήρους ροής εργασίας ανάπτυξης AI.
- Aνάπτυξη ενός έργου μηχανικής μάθησης από την αρχή ως το τέλος.
- Eκπαίδευση και αξιολόγηση ενός μοντέλου χρησιμοποιώντας TensorFlow ή PyTorch.
- Δημιουργία μίας απλής εφαρμογής AI.
- Τρέχουσες τάσεις στη Μηχανική AI.
- Γονιμική AI (Generative AI) και Μοντέλα Μεγάλων Γλωσσικών Όρων (LLMs).
- MLOps και αυτοματοποίηση AI.
- Δρόμοι καριέρας και συνεχής μάθηση.
- Sυνοπτική επισκόπηση, ερωτήσεις και απαντήσεις, και επόμενα βήματα.
Απαιτήσεις
- Κατανόηση βασικών εννοιών προγραμματισμού.
- Εμπειρία με τον προγραμματισμό στην Python.
- Γνωριμία με βασικές αρχές στατιστικής και γραμμικής άλγεβρας.
Σκοπικό Αudience
- Μηχανικοί AI.
- Προγραμματιστές Λογισμικού.
- Αναλυτές Δεδομένων.
14 Ώρες
Σχόλια (2)
Η εκτενής επιλογή εργαλείων που παρουσιάζονται
Miruna Buzduga - Aeronamic Eastern Europe
Κομμάτι - AI Enablement Training for Engineers
Μηχανική Μετάφραση
Μεταβατική εκπαίδευση με πολλά άσκηματα. Ήταν σαν εργαστήριο και είμαι πολύ χαρούμενος γι' αυτό.
Ireneusz - Inter Cars S.A.
Κομμάτι - Intelligent Applications Fundamentals
Μηχανική Μετάφραση
