Kontaktirajte nas
 Trajanje 35 sati

Sadržaj kursa

Pregled AI u Pythonu

  • Ključni koncepti i opseg AI
  • Python biblioteke za razvoj AI
  • Struktura projekta i tok rada za AI

Preparacija podataka za AI

  • Čišćenje, transformacija i inženjerija karakteristika
  • Ručavanje sa nedostajućim i nesbalansiranim podacima
  • Skaliranje i kodiranje karakteristika

Tehnike nadziranog učenja

  • Algoritmi za regresiju i klasifikaciju
  • Metode ansamblov: Random Forest, Gradient Boosting
  • Podešavanje hiperparametara i prekrajna validacija

Tehnike nenadziranog učenja

  • Metode klasterovanja: K-Means, DBSCAN, hijerarhijsko klasterovanje
  • Smanjenje dimenzionalnosti: PCA, t-SNE
  • Primena nenadziranog učenja

Neuronske mreže i duboko učenje

  • Uvod u TensorFlow i Keras
  • Izgradnja i trening feedforward neuronskih mreža
  • Optimizacija performansi neuronskih mreža

Učvršćeno učenje (uvod)

  • Osnovni koncepti: agenti, okruženja i nagrade
  • Implementacija osnovnih algoritama učvršćenog učenja
  • Aplikacije učvršćenog učenja

Implementacija AI modela

  • Čuvanje i učitavanje obučenih modela
  • Integracija modela u aplikacije putem API-ja
  • Monitoring i održavanje AI sistema u produkciji

Rezime i dalji koraci

Uslovi

  • Čvrsto razumevanje osnova programiranja u Pythonu
  • Iskustvo sa bibliotekama za analizu podataka kao što su NumPy i pandas
  • Osobno znanje o konceptima i algoritmima mašinskog učenja

Ciljna publika

  • Razvojci softvera koji žele da prošire svoja veštine u razvoju AI
  • Analitičari podataka koji žele da primene tehnike AI na složene skupove podataka
  • Stručnjaci za istraživanje i razvoj koji izgrade aplikacije pokretane veštačkom inteligencijom

Broj učesnika


Cena po učesniku

Iskustva korisnika (2)

Predstojeći kursevi

Povezane kategorije