Kom i kontakt

Kursplan

1. Introduktion till AI-teknik

  • Vad är AI-teknik?
  • AI vs. Maskininlärning vs. Djupinlärning
  • Ajv-teknikens livscykel
  • Tillämpningar av AI inom olika branscher
  • Roller och ansvar för en AI-tekniker

2. Grunderna i artificiell intelligens

  • Kärnbegrepp och terminologi inom AI
  • Lärande med övervakning, utan övervakning och förstärkningsinlärning
  • Neurala nätverk och grunderna i djupinlärning
  • Översikt över generativ AI och fundamentala modeller
  • Ajv-utvecklingsekosystem och ramverk

3. Python för AI-teknik

  • Viktiga Python-bibliotek för AI
  • NumPy, Pandas och Matplotlib
  • Datahantering och visualisering
  • Arbete med Jupyter Notebooks
  • Skrivning av återanvändbar AI-kod

4. Dataförberedelse för AI

  • Insamling och förståelse av dataset
  • Datarensning och preprocessning
  • Funktionsengineering
  • Funktionsskalning och normalisering
  • Indelning av dataset i tränings-, validerings- och testuppsättningar
  • Hantering av saknade värden och utliggare

5. Grunderna för maskininlärning

  • Regressionsalgoritmer
  • Klassificeringsalgoritmer
  • Klustringstekniker
  • Arbetsflöde för modellträning
  • Mätetal för modellutvärdering
  • Förebygga överanpassning och underanpassning

6. Bygga AI-modeller med TensorFlow och PyTorch

  • Introduktion till TensorFlow
  • Introduktion till PyTorch
  • Skapande av neurala nätverk
  • Modellträning och validering
  • Spara och läsa in modeller
  • Jämförelse mellan de båda ramverken

7. Grunderna i naturlig språkbehandling (NLP)

  • Förbehandling av text
  • Ordinembeddingar
  • Klassificering av text
  • Känslomodsanalys
  • Introduktion till transformer-modeller
  • Praktiska NLP-applikationer

8. AI inom mjukvaruutveckling

  • Integration av AI i befintliga applikationer
  • Anrop av AI-tjänster via API:er
  • Utveckling av AI-drivna applikationer
  • AI-assisterade verktyg för mjukvaruutveckling
  • Testning av AI-kapabla applikationer

9. Bäst praxis inom AI-teknik

  • Projektorganisering
  • Versionhantering med Git
  • Experimentspårning
  • Modellversioning
  • Dokumentationsstandarder
  • Reproducibility i AI-projekt

10. Distribution av AI-modeller

  • Modellserialisering
  • Bygga inferenstjänster
  • REST API:er för AI-modeller
  • Introduktion till Docker för AI-distribution
  • Påföljd av distribuerade modeller
  • Modellunderhåll och uppdateringar

11. Dataengineering för AI

  • Datapipelines
  • ETL-processer
  • Hantering av strukturerad och ostrukturerad data
  • Dataförvaringsalternativ
  • Datakvalitetshanteringen
  • Förbereda produktionsklara dataset

12. Ansvarsfull och etisk AI

  • Ajv-fördomar och rättvisa
  • Förklarbar AI (XAI)
  • Sekretess och dataskydd
  • Ajsäkerhetsaspekter
  • Ansvarsfull utveckling av AI
  • Regulatoriska och styrande överväganden

13. Projektledning för AI

  • Ajv-projektets livscykel
  • Agila metoder för AI-projekt
  • Samarbete mellan tekniska och affärsteam
  • Kostnadsuppskattning av AI-projekt
  • Hantera risker
  • Mäta projektets framgång

14. Handson AI-teknikworkshop och framtidsriktningar

  • Installera en komplett AI-utvecklingsarbetsflöde
  • Bygga ett slut-till-slut-maskininlärningsprojekt
  • Träna och utvärdera en modell med TensorFlow eller PyTorch
  • Distribuera en enkel AI-applikation
  • Aktuella trender inom AI-teknik
  • Generativ AI och stora språkmodeller (LLM)
  • MLOps och automativering av AI
  • Karriärvägar och kontinuerligt lärande
  • Sammanfattning, frågor och svar samt nästa steg

Krav

  • Förståelse för grundläggande programmeringskoncept
  • Erfarenhet av programmering i Python
  • Kunskap om grundläggande statistik och linjär algebra

Målgrupp

  • AI-tekniker
  • Mjukvaruutvecklare
  • Dataanalytiker
 14 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (2)

Kommande Kurser

Relaterade Kategorier