AI Engineering Mastery: Från Python-utveckling till produktionsklara AI-system Träningskurs

Modul 1: Grundläggande Python för ML-arbetsflöden

• Inledande session och miljökonfiguration
Stäm över målen och skapa ett reproducerbart Python-ML-miljö

• Grundläggande Python-språkelement (kompakt genomgång)
Genomgång av syntax, kontrollflöden, funktioner och mönster som ofta används i ML-kodbaser

• Datastrukturer för ML
Listor,字典, mängder och tuplar för funktioner, etiketter och metadata

• Förståelser och funktionella verktyg
Uttryck transformationer med hjälp av förståelser och högreordningens funktioner

• Objektvet Python för ML-utvecklare
Klasser, metoder, komposition och praktiska designbeslut

• dataclasses och lättviktsmodellering
Typade behållare för konfiguration, exempel och resultat

• Dekorerare och kontexthanterare
Tidtagning, cachning, loggning och resurssäker exekvering

• Arbeta med filer och sökvägar
Robust hantering av dataset och serialiseringsformat

• Undantag och defensiv programmering
Skriva ML-skript som misslyckas säkert och transparent

• Moduler, paket och projektstruktur
Organisera återanvändbara ML-kodbaser

• Typning och kodkvalitet
Typhints, dokumentation och länsvänlig struktur

Modul 2: Numerisk Python, SciPy och Datahantering

• NumPy-grunder för vektoriserad beräkning
Effektiva array-operationer och prestandamedveten programmering

• Indexering, slicing, broadcasting och format
Säker tensorhantering och formförståelse

• Linjär algebra med NumPy och SciPy
Stabila matrisoperationer och decompositioner som används i ML

• Djupstudie av SciPy
Statistik, optimering, kurvfitning och sparsheter matriser

• Pandas för tabellbaserad ML-data
Rengöring, sammankoppling, aggregering och beredning av dataset

• Djupstudie av scikit-learn
Estimator-gränssnitt, pipelines och reproducerbara arbetsflöden

• Grundläggande visualisering
Diagnostiska diagram för datautforskning och modellbeteende

Modul 3: Programmeringsmönster för att bygga ML-applikationer

• Från notebook till underhållsbart projekt
Refaktorera explorativ kod till strukturerade paket

• Konfigurationshantering
Externa parametrar och startvalidering

• Loggning, varningar och övervakbarhet
Strukturerad loggning för felsökbara ML-system

• Återanvändbara komponenter med OOP och komposition
Designa utbyggbara transformatorer och prediktorer

• Praktiska designmönster
Pipeline-, Factory- eller Registry-mönster, strategi och adaptermönster

• Datavalidering och schemacheckar
Förhindra tysta datafel

• Prestanda och profilering
Identifiera flaskhalsar och tillämpa optimeringstekniker

• Model I O och inferensgränssnitt
Säker persistence och rena prediktionsgränssnitt

• End-to-end-minibygge
ML-pipeline i produktionsstil med konfiguration och loggning

Modul 4: Statistisk inlärning för tabell, text och bild

• Grunden för evaluering
Träning- och valideringsdelningar, ärlig kryssvalidering och affärsanpassade mått

• Avancerad tabellbaserad ML
Regulariserade GLM-trädensembleer och läckagefria förbearbetningssteg

• Kalibrering och osäkerhet
Platt-skala, isotonisk regression, bootstrap och konform prediction

• Klassiska NLP-metoder
Tokeniseringskompromisser, TF-IDF, linjära modeller och Naive Bayes

• Temamodellering
LDA-grunder och praktiska begränsningar

• Klassisk datorseende
HOG, PCA och funktionsbaserade pipelines

• Felm Analys
Bias-detektering, etikettbrus och spuriösa korrelationer

• Hands-on-laboratorier
Läckagesäker tabellpipeline
Jämförelse och tolkning av textbaslinje
Klassisk visionbaslinje med strukturerad felsanalys

Modul 5: Neuronnätverk för tabell, text och bild

• Behärskning av träningsloopar
Rena PyTorch-loopar med AMP, clipping och reproducerbarhet

• Optimering och regularisering
Initialisering, normalisering, optimizers och schemaläggare

• Blandad precision och skalning
Gradientackumulering och checkpoint-strategier

• Tabellbaserade neuronnätverk
Kategoriska embeddings, funktionsskorssningar och avlägsningsstudier

‧ Textneuronnätverk
Embeddings, CNNs, BiLSTM eller GRU och sekvenshantering

• Bildneuronnätverk
CNN-grunder och ResNet-liknande arkitekturer

• Hands-on-laboratorier
Återanvändbar träningsram
Jämförelse av tabell NN vs boosting
CNN med augmentering och schemaläggningsexperiment

Modul 6: Avancerade Neuronal Arkitekturer

• Transfer learning-strategier
Frys- och avfrysmönster, diskriminativa inlärningshastigheter

• Transformer-arkitekturer för text
Self-attention-internals och finjusteringsmetoder

• Vision-backboner och tät prediktion
ResNet, EfficientNet, Vision Transformers och U-Net-koncept

• Avancerade tabellarkitekturer
TabTransformer, FT-Transformer och Deep and Cross Networks

• Tidssekvensöverväganden
Tidsmässiga splitningar och detektion av kovariatförskjutning

• PEFT och effektivitetstekniker
LoRA, distillation och kvantiseringskompromisser

• Hands-on-laboratorier
Finjustera förtränad texttransformer
Finjustera förtränad bildmodell
Jämförelse av tabelltransformer vs GBDT

Modul 7: Generativa AI-system

• Grunden till prompting
Strukturerad prompting och kontrollerad generering

• LLM-grunder
Tokenisering, instruktionsträning och minskning av hallucinationer

• Retrieval-Augmented Generation (RAG)
Chunking, embeddings, hybrid sök och evalueringmått

• Finjusteringsstrategier
LoRA och QLoRA med datakvalitetskontroller

• Diffusionsmodeller
Intuition om latent diffusion och praktisk anpassning

• Syntetiska tabulldata
CTGAN och integritetsöverväganden

• Hands-on-laboratorier
RAG-miniatyrapplikation i produktionsstil
Validering av strukturerad output med schemahentvingning
Valfri diffusionsexperiment

Modul 8: AI-agenter och MCP

• Design av agentloopar
Iaktta, planera, agera, reflektera och lagra

• Agentarkitekturer
ReAct, plan-execute och multi-agent-samordning

• Minneshantering
Episodiskt, semantiskt och scratchpad-ansatser

• Tool-integration och säkerhet
Tool-kontrakt, sandlåde-isolering och försvar mot prompt-injection

• Evalueringarammer
Replaybara spår, uppgiftspaket och regressions testning

• MCP och protokollbaserad interoperabilitet
Designa MCP-servrar med säker tool-exponering

• Hands-on-laboratorier
Bygg en agent från grunden
Eksponera tools via en MCP-liknande server
Skapa en evalueringsharness med säkerhetsbegränsningar