Kurs: Vještačka inteligencija i mašinsko učenje

Opis kursa

NCC je uveo sveobuhvatan program obuke fokusiran na tehnike umjetne inteligencije (AI) i mašinskog učenja (ML). Ovaj kurs naglašava praktične implementacije i teorijske osnove, pripremajući učesnike da se suoče s izazovima u razvoju i implementaciji AI. Razvijen u saradnji sa stručnjacima iz industrije i akademskim istraživačima, program osposobljava studente sa veštinama dizajna, obuke i optimizacije AI modela za primene u stvarnom svetu.

Vještačka inteligencija i mašinsko učenje

Vještačka inteligencija inteligencija i mašinsko učenje predstavljaju promjenu paradigme u načinu na koji se podaci obrađuju, analiziraju i koriste za generiranje uvida i predviđanja. Međutim, implementacija AI rješenja zahtijeva duboko razumijevanje algoritama, računskih tehnika i strategija optimizacije. Ovaj kurs premošćuje jaz između teorijskih koncepata i praktične implementacije integracijom računarstva visokih performansi (HPC), omogućavajući učesnicima da efikasno skaliraju AI sisteme i rukuju velikim skupovima podataka.

Kako AI tehnologije nastavljaju da revolucionišu industrije, ovaj kurs priprema studente da primene svoje znanje u različitim domenima kao što su zdravstvo, finansije, autonomni sistemi, poljoprivreda i obrazovanje. Kombinujući teorijske principe sa praktičnim eksperimentisanjem, učesnici stiču stručnost za vođenje inovacija vođenih veštačkom inteligencijom i inicijativa za digitalnu transformaciju.

Sadržaj predmeta (12 modula:

  1. Matematičke osnove – Linearna algebra, račun, vjerovatnoća i tehnike optimizacije bitne za ML i AI.
  2. Uvod u mašinsko učenje – Osnove nadziranog i nenadgledanog učenja.
  3. Linearna regresija – osnove i praktična implementacija.
  4. Logistička regresija – koncepti, modeli i metrika evaluacije.
  5. Tehnike regularizacije – Rukovanje preopterećenjem i poboljšanje generalizacije.
  6. Algoritmi klasifikacije – stabla odlučivanja, SVM-ovi i metode ansambla.
  7. Algoritmi grupisanja – K-srednje vrednosti, hijerarhijsko grupisanje i DBSCAN.
  8. Obrada prirodnog jezika (NLP) – Tokenizacija, ugrađivanje i transformatorske arhitekture.
  9. Neuralne mreže i duboko učenje – Osnove mreža naprijed i nazad.
  10. Konvolucione neuronske mreže (CNN) – Primene u kompjuterskom vidu.
  11. Računarstvo visokih performansi (HPC) za AI – Osnove distribuiranog računarstva, GPU ubrzanja i paralelne obrade. Korištenje okvira kao što su TensorFlow i PyTorch u HPC okruženjima za optimizaciju AI radnih opterećenja.
  12. Razvoj finalnog projekta – Dizajn, implementacija i evaluacija AI modela od kraja do kraja.

Ishodi učenja

  • Razvijte i implementirajte mašinsko učenje i AI modele koristeći Python-bazirane alate kao što su TensorFlow i PyTorch.
  • Shvatite i iskoristite HPC infrastrukturu za implementaciju skalabilnih AI rješenja.
  • Dizajnirajte, trenirajte i optimizirajte neuronske mreže za zadatke kao što su NLP, kompjuterski vid i učenje uz pomoć.
  • Evaluirajte AI modele u pogledu performansi, skalabilnosti i etičkih razmatranja.
  • Izgradite i upravljajte cjevovodima mašinskog učenja, rješavajući izazove implementacije pomoću MLOps praksi.