Mistrovství v inženýrství AI: Od programování v Pythonu po výrobní systémy s umělou inteligencí Počítačový Kurz

Modul 1: Základy Pythonu pro pracovní postupy v oblasti strojového učení

• Zahájení kurzu a nastavení vývojového prostředí
Sjednání cílů a příprava reprodukovatelného pracovního prostředí v Pythonu pro strojové učení

• Základy jazyka Python (rychlý průvodce)
Revize syntaxe, řídicích struktur, funkcí a vzorců běžně používaných v projektech strojového učení

• Datové struktury pro strojové učení
Seznamy, slovníky, množiny a páry pro práci s atributy, štítky a metadaty

• Generátory sekvencí a funkcionální nástroje
Vytváření transformací pomocí generátorů a vyšších funkcí

• Objektově orientovaný programování v Pythonu pro vývojáře AI
Třídy, metody, kompozice objektů a praktické návrhové rozhodnutí

• Dataclasses a lehké modelování dat
Typizované kontejnery pro ukládání konfigurace, vzorových dat a výsledků analýzy

• Dekorátory a správci kontextu
Odhad času provádění, ukládání do mezipaměti, logování a bezpečné spouštění kódu

• Práce s soubory a cestami v systému
Spolehlivé zpracování datových sad a formátů serializace

• Výjimky a obranné programování
Tvorba skriptů pro strojové učení, které selhávají bezpečně a s transparentností důvodů chyb

• Moduly, balíčky a struktura projektu
Organizace opakovaně využitelného kódu pro strojové učení

• Typová kontrola a kvalita kódu
Používání typových anotací, dokumentace a struktury podporující statickou analýzu kódu

Modul 2: Numerická matematika v Pythonu, SciPy a zpracování dat

• Základy NumPy pro vektorizované výpočty
Efektivní manipulace s poli a optimalizace kódu podle jeho nároků na výkon

• Indexování, řezání, šíření dat a formáty polí
Bezpečné modifikace tensorových struktur a rozumění jejich tvarům

• Základy lineární algebry s využitím NumPy a SciPy
Stabilní operace s maticemi a rozklad typické pro strojové učení

• Hlubší exkurze do funkcionalit SciPy
Statistika, optimalizace, aproximace křivek a práce s řídkými maticemi

• Pandas pro tabulková data v projektech strojového učení
Čištění dat, jejich spojování, agregace a příprava na analýzu

• Podrobné seznámení s knihovnou scikit-learn
Rozhraní pro modely strojového učení, vytváření funkčních řetězců kroků a reprodukovatelných pracovních postupů

• Základy vizualizace dat
Diagnostické grafy sloužící k průzkumu dat a sledování chování modelů

Modul 3: Programátorské vzorce pro tvorbu aplikací strojového učení

• Přechod z průzkumnického kódu v poznámkových blokech na udržitelný projekt
Refaktoring konceptuálně experimentálního kódu do ucelené struktury projektu

• Správa konfigurace a parametrů programu
Odkládání nastavení mimo hlavní kód a jejich kontrola při spouštění.

• Logování, upozornění a sledovatelnost běhu systému
Strukturované záznamy aktivit umožňující snadnou diagnostiku AI systémů

• Opakovaně využitelné komponenty prostřednictvím OOP a složených struktur
Konstruování modulárních převodníků dat a prediktorů pro různé podmínky použití

• Praktické návrhové vzorce programátorů AI:
Vzorce typu pipeline, továrny či registru, strategie volby postupu a adaptace rozhraní mezi moduly

• Validace struktury dat a kontrola jejich vlastností
Předcházení skrytým chybám ve zdrojových datech.

• Testování rychlosti a výkonu kódu
Identifikace úzkých míst a použití vhodných technik optimalizace

• Ukládání modelů a jejich rozhraní pro vyhodnocování hodnot predikce
Spoolehlivé ukládání výsledků modelů s možností pohotového vytváření predikcí.

• Simulovaná malá aplikace jako příklad produktního workflow:
Vytváříme komplexní řetězec kroků strojového učení s využitím externích parametrů a podrobným sledováním jeho provádění.

Modul 4: Statistické metody pro práci s tabulkovými daty, textem i obrázky

• Základy vyhodnocování kvality modelů
Vytváření výcvikových a validačních souborů, rozsáhlé testování v rámci mnoha iterací a měření efektivity podle obchodního kontextu.

• Pokročilé techniky zpracování tabulkových dat
Využití regularizovaných modelů typu GLM, stromových agregátorů a předzpracovávání bez vzniku nechtěných korelací.

• Kalibrace výstupů modelů a odhad míry jejich nejistoty
Použití metod jako Plattovo škálování, izotonické regrese, bootstrapování či konformní predikce.

• Tradiční postupy v zpracování přirozeného jazyka:
Analýza výhod a nevýhod různých metod tokenizace, práce s TF-IDF vektory, lineárních modelů i Naïve Bayese.

• Základy modelování témat v textu:
Zvládnutí teorie LDA a pochopení omezení daných jeho přístupem k tvorbě struktury textových korpusů.

• Práce s obrazovými daty z tradiční perspektivy:
Využívání vlastností HOG, PCA a dalších principů kombinovaných do spolehlivých schémat rozpoznávání.

• Kritická analýza chyb při výstupní predikci:
Identifikace možného zkreslení, poruch v datové anotaci a vznik náhodných korelací mezi proměnnými.

• Praktická cvičení:
Tvorba bezchybného řetězce operací nad tabulkovými daty
Porovnávání a interpretace výstupů několika různých základních textových modelů
Rozbor problematiky vizuálních schémat rozpoznávání s vhodnými testovacími kritérii.

Modul 5: Neurální sítě pro práci s tabulkami, textem a obrazy

• Vytváření uceleného trénovacího cyklu:
Sestavení čistých funkcí v PyTorch kombinujících AMP (mixed-precision computing), omezení gradientů a přesné reprodukovatelnosti výsledků.

• Techniky optimalizace parametrů modelů i metody jejich regularizace:
Při zohlednění kroků inicializace hodnot, normalizace aktivit a volby vhodných optimizátorů či plánovačů fáze výcviku.

• Práce s precizností vícenásobné reprezentace dat i optimalizací zdrojů paměti:
Akumulace gradientů a řešení problémů při ukládání do mezipaměti.

• Specializované neurální modely pro práci s tabulkami:
Použití kategoriových embeddinců, kombinace specifických typů proměnných a vypracovávání podrobného rozboru efektivnosti daných přístupů.

• Architektury neuronových sítí pro zpracování textu:
Analýza principů fungování embeddinců, konvolučních vrstvích sítí, BiLSTM či GRU a jejich schopností pracovat se sekvencím symbolů.

• Vlastnosti vizuálních neuronových modelů:
Podstata práce s konvolučními vrstvami, výhody architektur typu ResNet při rozpoznávání obrazových struktur.

• Praktická cvičení pro osvojení nově nabytých dovedností:
Vytváříme vlastní, plně funkční trénovací framework
Srovnávání síly přístupů neurálních sítí a klasických algoritmů nad tabulkovými daty
Připravujeme modely na práci s obrázky využívající techniky augmentace a řízené adaptace parametrů sítě.

Modul 6: Pokročilé typy neuronových architektur

• Principy přenosu znalostí mezi různými modely:
Používání metod zamrznutí částí parametrů sítě, rozlišovaného ovlivňování hodnot a koordinované aktualizace všech vrstv instrukčních bloků.

• Architektury typu Transformer určené ke zpracování textu:
Analýza struktury mechanismů pozornosti a přístupy k jejich následném finetuningům pro konkrétní problémy.

• Typy vizuálních „základních“ modulů i koncepty komplexnějšího segmentování obrazů:
Koncepty využití sítí typu ResNet, EfficientNet a Vision Transformer spolu s možnostmi tvoření síťí U-Net.

• Komplexní přístupy k práci s tabulkami:
Využívání moderních konstrukcí jako TabTransformer, FT-Transformer a architektur typu Deep and Cross Networks pro zvládnutí specifických nároků na analýzu strukturovaných dat.

• Vliv časové komponenty na fungování prediktorů:
Zvláštnosti časového rozdělení souborů výcvikových a testovacích sestav a hledání vlivů náhodných změn okolního prostředí.

• Využívání efektivních optimalizačních metod a omezení přesunu informací:
Přechody typu LoRA, techniky distilace a hledání rovnováhy mezi přesností sítě a jejím celkovým objemem paměti.

• Praktické lekce pro užití moderních konstrukcí v praxi:
Finnetuning předpřipravených modelů textového rozpoznávání
Finetuning vizuálních sítí, které už mají základní výcvik
Srovnávání síly modelů typu TabTransformer a konvenčnějších prediktorů vedených metodami gradient boosting.

Modul 7: Systémy generující umělou inteligenci

• Principy tvoření kontrolovaného vstupu do velkých jazykových modelů:
Sestavování konzistentních formátovaných příkazů umožňujících směrovat reakci systémů na požadavky uživatelů.

• Základy využití velkých jazykových modelů (LLM):
Principy tokénizace vstupních textových sekvencí, techniky instrukčního finetuningu a přístupy k minimalizaci výskytu nepravdivých odpovědí AI.

• Systémy typu Retrieval-Augmented Generation:
Užití postupů členění vstupních dat na segmenty, převodu textů do podoby vektorů, kombinace více zdrojů vyhledávání a hodnocení výsledné přesnosti.

• Postupy finetuningu modelů pomocí technik redukujících potřebu trénovacích dat:
Používání metod LoRA nebo QLoRA v kombinaci s důkladnou kontrolou kvality konkrétně připravených sad výcvikových dat.

• Intuitivní poznatky o fungování modelů typu diffusion:
Principy latentního šíření informací a možnosti využití jejich teoretické podstaty pro praktické konfigurace.

• Možnosti syntetizování strukturovaných dat pomocí specializovaných generátorů:
Příklad práce s CTGAN a možného rizika neúmyslného odhalení soukromých informací.

• Cvičení praktické orientace:
Realizujeme prototyp aplikace RAG splňující reálné požadavky výrobního prostředí
Aplikujeme striktní kontroly formátování generovaného textu s využitím přísných schémat definice vstupů i výstupů
Volitelné experimentování s metodami diffusion pro novější typy generovacích úloh.

Modul 8: Agenti umělé inteligence a technologie MCP

• Tvorba logických cyklů chování agentů AI:
Sledujeme sekvence dějů zahrnujících pozorování situace, návrh příslušných kroků řešení problémů, jejich konkrétní realizaci, sebereflexi systému a ukládání výsledků.

• Typologie architektur fungování agentů AI:
Práce s vzorci ReAct, postupy plánování a následného vykonávání kroků, jakož i možnost spolupráce několika autonomních jednotek.

• Typologie struktur organizace paměťových zdrojů agentů:
Používání třídicích metod epizodické a sémantické reprezentace v kombinaci s dočasnými prostředky typu scratchpad.

• Práce s funkčními nástroji agentů při zachování bezpečnosti systému:
Vytváříme konzistentní rozhraní mezi různými externími nástroji, využívání izolovaného prostředí pro jejich vykonávání a obranné metody při prevenci zneužití struktur komunikace (prompt injection).

• Vytváření postupů ověřování reálného fungování agentů AI:
Zaznamenávání opakovaných instrukčních scénářů, zřizování testovacích sad úloh a metody kontinuálního testování kvality systémů.

• Vlastnosti protokolu MCP a možnosti jejich implementace:
Vytváříme serverové konfigurace poskytující spolehlivé API pro využití nástrojů AI pod kontrolou zásad bezpečného přístupu.

• Praktický rámec lekcí:
Samostatně vytváříme plně funkční agenta AI
Využijeme principy schématového serveru MCP k exponování vhodných nástrojů pro jednotku
Stavíme rámec pro jejich ověřování zahrnující i mechanismy bezpečnostní kontroly.