Schița de curs

Prezentare generală a AI în Python

  • Concepte cheie și domeniul de aplicare al AI
  • Biblioteci Python pentru dezvoltarea AI
  • Structura și fluxul de lucru al unui proiect de AI

Pregătirea datelor pentru AI

  • Curățarea, transformarea și inginerie de caracteristici a datelor
  • Gestionarea datelor lipsă și dezechilibrate
  • Scalarea și codificarea caracteristicilor

Tehnici de Învățare Supervizată

  • Algoritmi de regresie și clasificare
  • Metode de ansamblu: Random Forest, Gradient Boosting
  • Optimizarea hiperparametrilor și validarea încrucișată

Tehnici de Învățare Nesupravegheată

  • Metode de clustering: K-Means, DBSCAN, clustering ierarhic
  • Reducerea dimensionalității: PCA, t-SNE
  • Cazuri de utilizare pentru învățarea nesupravegheată

Rețele Neuronale și Învățare Profundă

  • Introducere în TensorFlow și Keras
  • Construirea și antrenarea rețelelor neuronale feedforward
  • Optimizarea performanței rețelelor neuronale

Învățare prin Întărire (Introducere)

  • Concepte de bază: agenți, medii și recompense
  • Implementarea algoritmilor de bază de învățare prin întărire
  • Aplicații ale învățării prin întărire

Implementarea Modelelor de AI

  • Salvarea și încărcarea modelelor antrenate
  • Integrarea modelelor în aplicații prin API-uri
  • Monitorizarea și întreținerea sistemelor de AI în producție

Rezumat și Pași Următori

Cerințe

  • Înțelegere solidă a fundamentelor programării în Python
  • Experiență cu biblioteci de analiză a datelor precum NumPy și pandas
  • Cunoștințe de bază despre concepte și algoritmi de învățare automată

Publicul țintă

  • Dezvoltatori de software care doresc să își extindă abilitățile de dezvoltare a AI
  • Analiști de date care doresc să aplice tehnici de AI pe seturi de date complexe
  • Profesioniști din cercetare și dezvoltare care construiesc aplicații alimentate de AI
 35 Ore

Numărul de participanți


Pret per participant

Mărturii (3)

Cursuri viitoare

Categorii înrudite