Kurs AI ENGINEER uczenie maszynowe dla 'zielonych'

KURS AI ENGINEER

Krótkie wprowadzenie do kursu

Ten kurs AI jest dedykowany dla osób, które posiadają już podstawy programowania i chcą aktywnie wkroczyć w fascynujący świat sztucznej inteligencji (AI) i uczenia maszynowego (ML). Niezależnie od tego, czy jesteś początkującym programistą, pasjonatem technologii, czy kimś, kto chce tworzyć rozwiązania AI, a nie tylko je obserwować, ten kurs jest idealny dla Ciebie.

Rozpoczynając od teorii sztucznej inteligencji, kurs stopniowo prowadzi Cię przez kluczowe koncepcje uczenia maszynowego, sieci neuronowych. Co ważne, kurs kładzie silny nacisk na praktyczne zastosowanie tej wiedzy, pozwalając nie tylko zrozumieć, ale i aktywnie tworzyć w świecie AI.

Podczas kursu, będziesz mieć okazję nauczyć się, jak przetwarzać i analizować dane wykorzystując popularne biblioteki Pythona, takie jak Scikit-Learn, PyTorch,  Kurs obejmuje różnorodne techniki uczenia maszynowego, od regresji i klasyfikacji, po bardziej zaawansowane tematy takie jak przetwarzanie języka naturalnego i sieci neuronowe.

Po zakończeniu tego kursu, będziesz wyposażony w solidne podstawy teoretyczne oraz praktyczne umiejętności, które umożliwią Ci nie tylko głębsze zrozumienie świata sztucznej inteligencji, ale także aktywne uczestnictwo w jego kształtowaniu. Będziesz miał podstawową wiedzę i narzędzia niezbędne, żeby zacząć tworzyć własne innowacyjne rozwiązania w dziedzinie AI.

Teoria Sztucznej Inteligencji - Od Idei do Technologii

W tej części kursu skupimy się na historii sztucznej inteligencji, śledząc jej rozwój od wczesnych teoretycznych koncepcji aż po zaawansowane technologie współczesności. Dowiemy się, jak od marzeń o inteligentnych maszynach w literaturze naukowej, przez pierwsze programy szachowe, aż po rozwój zaawansowanych algorytmów, AI stała się kluczowym elementem technologicznego krajobrazu.

Wprowadzenie do Google Colab

Omówimy, czym jest Google Colab, jakie są jego główne funkcje i zalety, szczególnie w kontekście projektów związanych ze sztuczną inteligencją i uczeniem maszynowym. Przedstawimy, jak Colab ułatwia współpracę, dzielenie się kodem i dostęp do zasobów obliczeniowych, takich jak GPU i TPU. Uczestnicy nauczą się, jak korzystać z tego środowiska do tworzenia, uruchamiania i dzielenia się kodem Pythona, co stanowi podstawę do praktycznych ćwiczeń i projektów realizowanych w dalszej części kursu.

Praktyczne Uczenie Maszynowe z Scikit-Learn

Koncentrujemy się na podstawowych koncepcjach uczenia maszynowego, takich jak klasyfikacja, przetwarzanie danych, podział danych i walidacja modelu, które są fundamentalne dla zrozumienia tej dziedziny. Używamy Scikit-Learn, jednej z najbardziej dostępnych i szeroko stosowanych bibliotek do uczenia maszynowego w Pythonie. Pozwoli to na łatwe zrozumienie pracy z rzeczywistymi danymi bez zagłębiania się w bardziej złożone zagadnienia, jak sieci neuronowe.

NLP - Analiza Sentymentu

Analiza sentymentu opinii z użyciem biblioteki NLTK (Natural Language Toolkit) w Pythonie jest ciekawym projektem, który może nauczyć nas, jak analizować i interpretować emocje zawarte w tekście, na przykład w recenzjach produktów czy opiniach użytkowników. Analiza sentymentu polega na wykorzystaniu technik przetwarzania języka naturalnego (NLP) do identyfikowania i klasyfikowania opinii wyrażonych w tekście, zazwyczaj jako pozytywne, negatywne lub neutralne.

Przewidywanie Serii Czasowych z RNN i LSTM w PyTorch

W ostatniej części kursu zagłębimy się w zastosowania sieci neuronowych do analizy danych sekwencyjnych i czasowych, korzystając z PyTorch. Lekcja ta skoncentruje się na tym, jak sieci neuronowe, w szczególności sieci rekurencyjne (RNN) i długoterminowa pamięć krótkotrwała (LSTM), mogą być wykorzystywane do modelowania i przewidywania danych sekwencyjnych, takich jak serie czasowe w danych finansowych czy meteorologicznych.

Zastosowanie Sieci Neuronowych z PyTorch

W tej lekcji poznamy podstawy sieci neuronowych, korzystając z PyTorch, jednej z najpopularniejszych bibliotek do głębokiego uczenia. Skupimy się na praktycznym zastosowaniu PyTorch do rozwiązania klasycznego problemu klasyfikacji - rozpoznawania ręcznie pisanych cyfr z zestawu danych MNIST. Przejdziemy również przez proces trenowania modelu, zwracając uwagę na wizualizację wyników i analizę ewentualnych błędów, co pomoże nam lepiej zrozumieć mechanizmy działania sieci neuronowych.