Návrh Školení

Úvod do umělé inteligence pro vývoj softwaru

  • Co je generativní AI a jak se liší od prediktivní AI
  • Použití AI ve programování, analytice a automatizaci
  • Přehled o LLMs (Large Language Models), transformerech a modely hlubokého učení

AI-podporované programování a prediktivní vývoj

  • Generování a dokončování kódu pomocí umělé inteligence (GitHub Copilot, CodeGeeX)
  • Predikce chyb a ohrožení v kódu před nasazením
  • Automatizace revizí kódu a návrhů na optimalizaci

Vytváření prediktivních modelů pro softwarové aplikace

  • Pochopení časových řad a prediktivní analýzy
  • Implementace AI-modelů pro předvídatelnost poptávky a detekci anomalii
  • Použití Pythonu, Scikit-learn a TensorFlowu pro prediktivní modelování

Generativní AI pro texty, kód a generování obrázků

  • Práce s GPT, LLaMA a jinými LLMs (Large Language Models)
  • Generování syntetických dat, shrnutí textu a dokumentace
  • Vytváření AI-podporovaných obrázků a videí pomocí difuzních modelů

Nasazování AI-modelů v reálném světě

  • Nasazení AI-modelů pomocí Hugging Face, AWS a Google Cloud
  • Vytváření API-založených AI-služeb pro podnikové aplikace
  • Fine-tuning předtrénovaných AI-modelů pro oblasti určení

AI pro prediktivní podnikové vize a rozhodování

  • AI-podporovaná podniková inteligence a analýza zákazníků
  • Predikce tržních trendů a chování spotřebitelů
  • Automatizace optimalizací pracovních postupů s využitím AI

Etnická AI a nejlepší praktiky ve vývoji

  • Etnické aspekty u AI-podporovaného rozhodování
  • Detekce biasu a spravedlnost v AI modelech
  • Nejlepší praktiky pro transparentní a odpovědnou AI

Praktické školení a případové studie

  • Implementace prediktivní analýzy na skutečných datech
  • Vytvoření AI-podporovaného chatbotu s textovým generováním
  • Nasazení aplikace založené na LLMs pro automatizaci

Shrnutí a další kroky

  • Přehled klíčových poznatků
  • AI nástroje a zdroje pro dále studium
  • Poslední dotazovací sezení (Q&A)

Požadavky

  • Přehled základních konceptů vývoje softwaru
  • Zkušenosti s jakýmkoli programovacím jazykem (doporučuje se Python)
  • Znalost základů strojového učení nebo umělé inteligence (doporučeno, ale nezaviněné)

Cílová skupina

  • Vývojáři softwaru
  • Inženýři AI/ML
  • Leadi technických týmů
  • Manažeři produktů zainteresovaní aplikacemi s umělou inteligencí
 21 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie