Opis kursa
NCC Montenegro nudi sveobuhvatan program obuke fokusiran na tehnike dubokog učenja (DL) i njihovu integraciju sa računarstvom visokih performansi (HPC). Razvijen kroz konsultacije sa liderima industrije i akademskim profesionalcima, ovaj kurs se bavi računarskim izazovima i mogućnostima u primeni skalabilnih AI rešenja. Program naglašava praktične implementacije i primjene u stvarnom svijetu, pripremajući učesnike da iskoriste napredak AI u istraživanju i industriji.
Duboko učenje i HPC predstavljaju transformativni pristup u veštačkoj inteligenciji, omogućavajući sistemima da uče i predviđaju iz velikih skupova podataka. Međutim, obuka i primena DL modela zahteva značajnu računarsku snagu, posebno za zadatke kao što su kompjuterski vid, obrada prirodnog jezika i učenje uz pomoć. Ovaj kurs premošćuje jaz između teorijskih koncepata i praktične implementacije koristeći HPC sisteme, omogućavajući polaznicima da dizajniraju, obuče i implementiraju složene modele u velikom obimu. Bilo da se pripremate za karijeru u istraživanju AI, industrijskim inovacijama ili implementaciji AI na nivou preduzeća, ovaj kurs pruža osnovno znanje i praktično iskustvo. Primene u stvarnom svetu i relevantnost za industriju jer AI tehnologije preoblikuju industriju, ovaj kurs priprema učesnike da se suoče sa složenim izazovima u zdravstvu, poljoprivredi, obrazovanju, autonomnim sistemima, finansijama i prirodnim naukama. Kombinacijom teorijskog znanja s praktičnim eksperimentiranjem i razvojem projekata, studenti stječu stručnost potrebnu za vođenje inicijativa digitalne transformacije vođene umjetnom inteligencijom.
Sadržaj kursa (12 modula)
- Pregled sadržaja predmeta (12 modula)
- Uvod u AI, ML i DL – Istorijski kontekst, evolucija i osnove umjetne inteligencije.
- Matematičke osnove – Linearna algebra, račun, vjerovatnoća i tehnike optimizacije bitne za ML i DL. Matematička pozadina za učenje algoritama.
- Uvod u HPC za DL – Osnove računarstva visokih performansi i njegova uloga u skaliranju AI aplikacija.
- Kompjuterski vid i konvolucione neuronske mreže (CNN) – Principi obrade slike, Roboflow i YOLO modeli.
- Obrada prirodnog jezika (NLP) – Osnove NLP-a, transformatorske arhitekture (GPT, BERT) i napredni jezički modeli.
- Uvod u grafičke neuronske mreže (GNN) – Osnove i primjene u analizi podataka zasnovanoj na grafovima.
- Učenje s pojačanjem i duboko učenje s pojačanjem – koncepti, algoritmi i slučajevi upotrebe u stvarnom svijetu.
- Generativni AI – Generativni AI modeli, fino podešavanje i transferni pristupi učenju.
- MLOps i softverski zahtjevi – Izgradnja skalabilnih ML cjevovoda, strategija implementacije i praćenje modela.
- Optimizacija i paralelizacija modela – Tehnike za poboljšanje efikasnosti i skalabilnosti pomoću HPC-a. Od Google Colab-a do HPC-a.
- Etika i odgovorna AI – Rješavanje pristrasnosti, transparentnosti i odgovornosti u AI sistemima.
- Razvoj završnog projekta – Projekat od kraja do kraja koji pokriva projektovanje, implementaciju i evaluaciju.
Ishodi učenja
- Razvijajte i implementirajte modele dubokog učenja koristeći okvire kao što su TensorFlow, PyTorch, Ultralytics.
- Shvatite i iskoristite HPC infrastrukturu za velike AI aplikacije.
- Dizajnirajte i optimizirajte neuronske mreže za kompjuterski vid, NLP i zadatke zasnovane na grafovima.
- Primijenite tehnike učenja s potkrepljenjem na dinamičke i interaktivne probleme.
- Izgradite i upravljajte cjevovodima ML-a, rješavajući izazove implementacije kroz MLOps prakse.
- Evaluirate i procjenite AI modele u pogledu performansi, skalabilnosti i etičkih razmatranja.