Schița de curs
Modulul 1: Python de bază pentru fluxuri de lucru ML
• Lansarea cursului și configurarea mediului
Alinierea obiectivelor și configurarea unui mediu reproducibil Python pentru ML
• Elemente esențiale ale limbajului Python (accelerat)
Revizuirea sintaxei, a fluxului de control, a funcțiilor și a modelelor utilizate frecvent în codul sursă ML
• Structuri de date pentru ML
Liste, dicționare, mulțimi și tuple pentru trăsături, etichete și metadate
• Compreensie și funcții higher-order
Exprimarea transformărilor utilizând comprehensiuni și funcții de ordin superior
• Python orientat pe obiecte pentru dezvoltatorii ML
Clase, metode, compoziție și decizii practice de design
• dataclasses și modelare ușoară
Containere tipizate pentru configurare, exemple și rezultate
• Decoratori și manageri de context
Patronuri pentru măsurarea timpului, cache-ul, logging-ul și execuția sigură a resurselor
• Lucrul cu fișiere și căi (paths)
Manipularea robustă a seturilor de date și formatele de serializare
• Excepții și programare defensivă
Scrierea scripturilor ML care eșuează în siguranță și transparent
• Module, pachete și structură de proiect
Organizarea codului sursă ML reutilizabil
• Tipare (Typing) și calitatea codului
Drafturi de tip (type hints), documentație și structură prietenoasă cu linting-ul
Modulul 2: NumPy, SciPy și manipularea datelor
• Fundamentele NumPy pentru calcul vectorizat
Operații eficiente pe matrice și programare conștientă de performanță
• Indexare, tăiere (slicing), difuzare (broadcasting) și forme
Manipularea sigură a tensorilor și raționamentul asupra formelor
• Elemente de algebră liniară cu NumPy și SciPy
Operații stabile pe matrice și descompuneri utilizate în ML
• Aprofundare SciPy
Statistică, optimizare, ajustarea curbelor (curve fitting) și matrici rare
• Pandas pentru date ML tabulare
Curățarea, unirea, agregarea și pregătirea seturilor de date
• Aprofundare scikit-learn
Interfața estimatorilor, pipeline-urile și fluxurile de lucru reproductibile
• Elemente de vizualizare
Grafice diagnostice pentru explorarea datelor și comportamentul modelelor
Modulul 3: Patroane de programare pentru construirea aplicațiilor ML
• De la notebook la proiect menabil
Refactorizarea codului exploratoriu în pachete structurate
• Gestionarea configurației
Parametri externizați și validarea la pornire
• Logging, avertismente și observabilitate
Logging structurat pentru sisteme ML depanabile
• Componente reutilizabile cu OOP și compoziție
Proiectarea transformatorilor și predictorilor extensibili
• Patroane practice de design
Patroanele Pipeline, Factory sau Registry, Strategy și Adapter
• Validarea datelor și verificarea schemelor
Prevenirea problemelor ascunute ale datelor
• Performanță și profilare (Profiling)
Identificarea bottleneck-urilor și aplicarea tehnicilor de optimizare
• Intrarea/Ieșirea modelelor și interfețele de inferență
Persistența sigură și interfețe clare de predicție
• Mini-construcție end-to-end
Pipeline ML stil producție cu configurare și logging
Modulul 4: Învățarea statistică pentru date tabulare, text și imagini
• Fundamentele evaluării
Divizarea în train/validation, validarea încrucișată sinceră și metricele aliniate la afacere
• ML avansat tabular
GLM reglarizate, ensemble-uri de arbori și preprocesare fără scurgeri de date (leakage)
• Calibrare și incertitudine
Darling-ul Platt, regresia izotonica, bootstrap și predicția conformală
• Metode clasice NLP
Compromisurile tokenizării, TF-IDF, modele liniare și Naive Bayes
• Modelarea tematică
Fundamentele LDA și limitările practice
• Viziune computerizată clasică
HOG, PCA și pipeline-uri bazate pe extragerea de trăsături
• Analiza erorilor
Detectarea bias-ului, zgomotul etichetelor și corelațiile spurii
• Laboratoare practice
Pipeline tabular fără scurgeri de date
Comparație și interpretare a liniilor de bază pentru text
Liniile de bază clasice de viziune cu analiză structurată a eșecurilor
Modulul 5: Rețele neuronale pentru date tabulare, text și imagini
• Stăpânirea buclei de antrenament
Bucle curate în PyTorch cu AMP (Automatic Mixed Precision), clipping și reproductibilitate
• Optimizare și regularizare
Inializarea, normalizarea, optimizatorii și programatoarele (schedulers)
• Precizie mixtă și scalare
Accumularea gradientelor și strategiile de checkpointing
‡ Rețele neuronale tabulare
Încorporări categorice, combinatorii de trăsături și studii de ablație
• Rețele neuronale pentru text
Încorporări (embeddings), CNN-uri, BiLSTM sau GRU și manipularea secvențelor
• Rețele neuronale pentru viziune
Fundamentele CNN-urilor și arhitecturi de tip ResNet
• Laboratoare practice
Framework de antrenament reutilizabil
Comparație NN tabular vs boosting
CNN cu experimente de augmentare și programare
Modulul 6: Arhitecturi neuronale avansate
• Strategii de transfer learning
Patroane de fixare/dezfixare a straturilor (freeze/unfreeze) și rate de învățare discriminative
• Arhitecturi Transformer pentru text
Internals-urile auto-atenției și abordările de fine-tuning
• Backbone-uri de viziune și predicție densă
Concepte despre ResNet, EfficientNet, Vision Transformers și U-Net
• Arhitecturi avansate tabulare
TabTransformer, FT-Transformer și rețele Deep & Cross
• Considerații pentru serii temporale
Divizări temporale și detectarea schimbării distribuției covariaților (covariate shift)
• Tehnici PEFT și de eficiență
Compromisurile LoRA, distilării și cuantizării
• Laboratoare practice
Fine-tuning-ul unui transformer text pre-antrenat
Fine-tuning-ul unui model de viziune pre-antrenat
Comparație Transformer tabular vs GBDT
Modulul 7: Sisteme IA Generative
• Fundamentele prompting-ului
Prompting structurat și generare controlată
• Fundamentele LLM-urilor
Tokenizarea, ajustarea la instrucțiuni (instruction tuning) și mitigarea halucinațiilor
• Generarea Îmbogățită prin Recuperare (RAG)
Fragmentarea (chunking), încorporările (embeddings), căutarea hibridă și metricele de evaluare
• Strategii de fine-tuning
LoRA și QLoRA cu controale ale calității datelor
• Modelele Diffusion
Intuiția difuziei în spațiul latent și adaptarea practică
• Date tabulare sintetice
CTGAN și considerații de confidențialitate
• Laboratoare practice
Mini-aplicație RAG stil producție
Valizarea ieșirii structurate cu aplicarea schemelor
Experimentație opțională cu difuzie
Modulul 8: Agenți IA și MCP
• Design-ul buclei de agenți
Observare, planificare, acțiune, reflexie și persistență
• Arhitecturi de agenți
ReAct, planificare-și-executare și coordonarea multi-agentă
• Gestionarea memoriei
Aproach-uri episodice, semantice și de tip "ciornă" (scratchpad)
• Integrarea instrumentelor și siguranța
Contrat-tool-urilor, izolarea (sandboxing) și apărarea împotriva injectării de prompturi
• Cadre de evaluare
Trasee reproductibile, suite-uri de sarcini și testare de regresie
• MCP și interoperabilitatea bazată pe protocoale
Proiectarea serverelor MCP cu expunerea sigură a instrumentelor
• Laboratoare practice
Construirea unui agent de la zero
Expunerea instrumentelor printr-un server stil MCP
Crearea unui cadru de evaluare cu constrângeri de siguranță
Cerințe
Participanții trebuie să aibă cunoștințe practice de programare Python.
Acest program este destinat profesioniștilor tehnici cu nivel intermediar sau avansat.
Mărturii (2)
Exemplele practice, explicatiile detaliate despre cum functioneaza in spate algoritmul si codul propriu-zis.
Zamfir Alexandra-Ioana - Orange Services
Curs - AI Engineering Mastery: From Python Engineering to Production-Ready AI Systems
Cum sa faci niste echipe de agenti
