Zkuste nás kontaktovat

Návrh Školení

1. Úvod do inženýrství umělé inteligence

  • Co je to inženýrství umělé inteligence?
  • Rozdíly mezi AI, strojovým učením a hlubokým učením
  • Životní cyklus projektů v oblasti AI
  • Aplikace umělé inteligence v různých odvětvích
  • Role a povinnosti inženýra umělé inteligence

2. Základy umělé inteligence

  • Klíčové koncepty a terminologie v AI
  • Supervised, unsupervised a reinforcement learning – učení pod dohledem, bez dohledu a s posilováním
  • Neuronové sítě a základy hlubokého učení
  • Přehled generativní AI a modelů typu foundation models
  • Ekosystémy a nástroje pro vývoj umělé inteligence

3. Python v inženýrství umělé inteligence

  • Nejdůležitější knihovny v Pythonu pro práci s AI
  • Knihovny NumPy, Pandas a Matplotlib
  • Manipulace dat a jejich vizualizace
  • Pracovní postupy s Jupyter Notebooks
  • Tvorba opakovaně využitelného kódu pro AI projekty

4. Příprava dat pro umělou inteligenci

  • Shromažďování a analýza datových sad
  • Čištění a předzpracování dat
  • Inženýrství výběrových charakteristik (feature engineering)
  • Měřítkování a normalizace dat
  • Rozdělení dat na trénovací, validační a testovací sady
  • Řešení chybějících hodnot a odlehlých bodů v datech

5. Základy strojového učení

  • Algoritmy regrese
  • Algoritmy klasifikace
  • Metody shlukování
  • Pracovní postup tvorby modelů
  • Kritéria hodnocení modelů
  • Předcházení přeučení a podučení modelů

6. Tvorba modelů umělé inteligence s TensorFlow a PyTorch

  • Seznámení s nástrojem TensorFlow
  • Seznámení s nástrojem PyTorch
  • Vytváření neuronových sítí
  • Trénování a validace modelů
  • Ukládání a načítání vytvořených modelů
  • Srovnání obou nástrojů

7. Základy zpracování přirozeného jazyka (NLP)

  • Předzpracování textu
  • Word embeddings – reprezentace slov v vektorovém prostoru
  • Klasifikace textu
  • Analýza sentimentů
  • Úvod do modelů typu transformer
  • Praktické aplikace NLP v reálném světě

8. Umělá inteligence ve softwarovém vývoji

  • Integrace AI do již existujících aplikací
  • Používání API pro volání služeb umělé inteligence
  • Tvorba aplikací využívajících možnosti AI
  • Nástroje pro vývoj podporovaný umělou inteligencí
  • Testování aplikací s integrovanou AI funkcionalitou

9. Osvědčené postupy v inženýrství umělé inteligence

  • Organizace projektů
  • Správa verzí pomocí nástroje Git
  • Sledování experimentů během vývoje
  • Správa verzí jednotlivých modelů AI
  • Standardy dokumentace projektů
  • Zajištění reprodukovatelnosti výsledků v AI projektech

10. Nasazování modelů umělé inteligence

  • Sérializace a ukládání modelů
  • Vytváření služeb pro inferenci AI
  • Návrh REST API určených k využití umělou inteligencí
  • Základy nasazování modelů pomocí nástroje Docker
  • Sledování chování nasazených modelů

11. Data engineering v kontextu umělé inteligence

  • Procesy ETL (Extraction, Transformation, Loading)

12. Etika a odpovědné využívání umělé inteligence

13. Řízení projektů v oblasti umělé inteligence

14. Praktický workshop z oblasti inženýrství AI a budoucí trendy

Požadavky

  • Znalost základních programovacích konceptů
  • Praktické zkušenosti s programováním v Pythonu
  • Orientace v základech statistiky a lineární algebry

Cílová skupina

  • Inženýři umělé inteligence
  • Softwaroví vývojáři
  • Data analytici
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (2)

Nadcházející kurzy

Související kategorie