В качестве консультанта по искусственному интеллекту вы будете помогать компаниям внедрять решения на базе ИИ. Для этого курс сначала предлагает всестороннее углубленное изучение сложных тем программирования на Python, включая использование модулей Python и сторонних пакетов. Участники изучат основы объектно-ориентированного программирования, в частности классы, наследование, инкапсуляцию и полиморфизм, а также работу с базами данных и веб-разработку с использованием Flask. Затем в рамках курса будет представлен полный рабочий процесс машинного обучения — от подготовки данных и разработки моделей до оценки и интерпретации результатов. Также рассматриваются методы глубокого обучения (Deep Learning) как одной из областей машинного обучения, основанной на нейронных сетях, включая такие инструменты, как TensorFlow и Keras, а также методы классификации изображений с использованием сверточных нейронных сетей (CNN), рекуррентных нейронных сетей (RNN) и генеративных моделей.
-
Тип степени: Сертификат "Консультант по искусственному интеллекту
-
Дополнительная квалификация: Сертификат "PCAP™ - Certified Associate Python Programmer"
Сертификат "Машинное обучение
Сертификат "Глубокое обучение -
Итоговый экзамен: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
Certified Associate Python Programmer (PCAP™) (in englischer Sprache) -
Время уроков: Полный рабочий деньС понедельника по пятницу с 8:30 до 15:35 (в праздничные дни с 8:30 до 17:10).
-
Язык обучения: Немецкий
-
Продолжительность: 12 Недели
Продвинутый Python
Модули, пакеты и обработка ошибок (около 4 дней)
Введение в модули и пакеты Python
Импорт и использование стандартных и сторонних пакетов
Создание собственных модулей и пакетов
Работа с sys и os (функции хост-платформы)
Введение в исключения и обработку ошибок (try, except, finally)
Создание и использование самоопределяемых исключений
Лучшие практики для надежной обработки ошибок
Искусственный интеллект (ИИ) в рабочем процессе
Презентация конкретных технологий ИИ
и возможного применения в профессиональной среде
Основы работы со строками и ООП (около 8 дней)
Введение в работу со строками
Встроенные методы работы со строками (split, join, find, replace и т.д.)
Форматирование и обработка строк
Нарезка строк и работа с регулярными выражениями (RegEx)
Введение в классы, объекты, методы экземпляра и переменные
Инкапсуляция, наследование и полиморфизм
Конструкторы (__init__) и деструкторы (__del__)
Иерархии наследования и суперклассы
Углубленное изучение объектно-ориентированного программирования (около 2,5 дней)
Углубленное изучение наследования и полиморфизма
Применение магических методов (__str__, __repr__, __eq__, __lt__ и т.д.)
Свойства и декораторы в классах
Шаблоны проектирования: синглтон, фабрика и т. д.
Постижение списков для эффективной обработки списков
Лямбда-функции и написание анонимных функций
Замыкание и сортировка в Python
Понимание и использование генераторов и итераторов
Работа с файлами, базами данных и веб-разработка (около 2,5 дней)
Чтение и запись файлов (CSV, JSON)
Введение в SQL и подключение к базам данных SQLite
CRUD-операции в базе данных (создание, чтение, обновление, удаление)
Знакомство с Flask и создание простого веб-приложения
Маршруты и шаблоны во Flask
CRUD-приложения во Flask (интеграция с базой данных)
Работа над проектом, подготовка к сертификации и сертификационный экзамен "PCAP™ - Certified Associate Python Programmer" на английском языке (около 3 дней)
Машинное обучение
Введение в машинное обучение и рабочий процесс ML (около 3 дней)
Основы, области применения и виды машинного обучения
Систематизация современных методов искусственного интеллекта и машинного обучения
Рабочий процесс машинного обучения с использованием scikit-learn
Данные для обучения, валидации и тестирования
Недообучение, переобучение и оценка моделей
Кросс-валидация
Подготовка данных и инжиниринг признаков (около 2 дней)
Качество данных и предварительная обработка данных
Масштабирование, нормализация и кодирование
Инженерия признаков и выбор признаков
Работа с отсутствующими значениями, выбросами и несбалансированными наборами данных
Обучение с учителем — регрессия и классификация (около 5 дней)
Методы регрессии и классификации
Линейные и регуляризованные модели
Методы, основанные на расстоянии, вероятности и деревьях
Ансамблевые и бустинг-методы
Сравнение моделей и оптимизация гиперпараметров
Метрики оценки и вероятностные прогнозы
Важность признаков и объяснимый ИИ
Обучение без контроля (около 2 дней)
Сведение размерности и извлечение признаков
Методы кластеризации и оценка результатов кластеризации
Обнаружение аномалий
Анализ временных рядов и прогнозы (около 1 дня)
Основы и анализ данных временных рядов
Методы прогнозирования и машинное обучение для временных рядов
Нейронные сети и современный ИИ (около 2 дней)
Основы нейронных сетей и глубокого обучения
Машинное обучение для текстовых данных и обработка естественного языка
Базовые модели, крупные языковые модели и генеративный ИИ
Развертывание моделей машинного обучения (около 1 дня)
Хранение и предоставление обученных моделей
Разработка простых приложений машинного обучения
Интерфейсы и платформы для моделей машинного обучения
Работа над проектом (около 4 дней)
Закрепление изученного материала
Презентация результатов проекта
Глубокое обучение
Введение в глубокое обучение (около 1 дня)
Глубокое обучение как разновидность машинного обучения
Основы нейронных сетей (около 4 дней)
Многослойные перцептроны
Расчет нейронных сетей
Оптимизация параметров модели, обратное распространение
Библиотеки глубокого обучения
Регрессия и классификация
Типичные функции потерь и активации
Оценка прогноза модели с помощью метрик
Метрики регрессии и классификации
Кривые обучения, оверфиттинг и регуляризация
Оптимизация гиперпараметров
Регуляризация L1/12
Отсев
Ранняя остановка
Стохастический градиентный спуск (СГС)
Момент, оптимизатор Адама
Оптимизация скорости обучения
Динамическая регулировка скорости обучения
Снижение скорости обучения на плато
Оптимизация скорости обучения с помощью TensorBoard
Управление процессом подгонки с помощью обратных вызовов
Сохранение и загрузка моделей
Конволюционная нейронная сеть (CNN) (около 2 дней)
Классификация изображений
Конволюционные слои, объединяющие слои
Перестраивающие слои, сглаживание, объединение глобальных средних
Архитектуры CNN ImageNet-Competition
Глубокие нейронные сети, исчезающие градиенты, пропуск связей, пакетная нормализация
Трансферное обучение (около 1 дня)
Адаптация и комбинирование моделей
Предварительное обучение без контроля
Дополнение данных изображениями, объяснимый ИИ
Загрузчик данных
Региональный CNN (около 1 дня)
Локализация объектов
Семантическая сегментация
Проблемы регрессии
Разветвленные нейронные сети
Архитектура YOLO
Модели U-Net
Методы творческой генерации изображений (около 1 дня)
Генеративные адверсарные сети (GAN)
Глубокие подделки
Диффузионные модели
Суперразрешение
Дополнение областей изображения
Применение базовых моделей из Hugging Face
Мультимодальные модели
LoRA-Fine-Tuning
Области применения генеративных моделей
Правовые ограничения
Рекуррентные нейронные сети (около 2 дней)
Анализ последовательностей
Рекуррентные слои
Обратное распространение во времени (BPTT)
Анализ временных рядов
Проблемы разрыва и исчезающего градиента
LSTM (Long Short-Term Memory)
GRU (Gated Recurrent Unit)
Глубокий RNN
Глубокий LSTM
Обработка текста с помощью нейронных сетей (около 2 дней)
Предварительная обработка текста
Встраивание слоев
Классификация текста
Анализ настроения
Обработка естественного языка (NLP)
Переводы
Генерация текста
Метод "последовательность-последовательность", архитектура кодер-декодер
Модели, использующие только кодер и только декодер
Локальное применение больших языковых моделей
Языковые модели (около 1 дня)
Архитектура трансфомеров
Внимание и многоголовое внимание
Позиционные кодировки
Тонкая настройка больших языковых моделей
Подсказки
Конвейеры генерации текста
Резюме
Чат-боты
Поиск Расширенная генерация
ИИ-агенты
Глубокое обучение с подкреплением (около 1 дня)
Управление динамическими системами
Агентские системы
Обучение через вознаграждение
Градиенты политики
Глубокое Q-обучение
Байесовские нейронные сети (около 1 дня)
Неопределенности в нейронных сетях
Статистическая оценка прогнозов
Доверие, стандартное отклонение
Несбалансированные данные
Методы выборки
Работа над проектом (около 3 дней)
Закрепление изученного материала
Презентация результатов проекта
Возможны изменения, содержание курса регулярно обновляется.
По окончании курса вы освоите принципы объектно-ориентированного программирования, включая классы, наследование и шаблоны проектирования в Python. Вы сможете применять такие концепции, как генераторы, декораторы и осмысление списков, а также эффективно анализировать и визуализировать данные. Вы также будете уверенно работать с файлами и базами данных и создавать базовые веб-приложения с помощью Flask, включая полноценное CRUD-приложение.
Вы также обладаете соответствующими знаниями в области машинного обучения и глубокого обучения. Вы знаете наиболее важные причины использования машинного обучения, области применения и различные категории и концепции машинного обучения. Вы также понимаете, в каких областях применяется глубокое обучение и как работают нейронные сети. Вы сможете обеспечить процессы машинного обучения и документирования.
Программисты, студенты естественных наук, студенты-экономисты, студенты факультетов компьютерных наук, IT-специалисты, люди с опытом работы в области инженерии или анализа данных, а также профессионалы с соответствующим опытом работы.
В качестве консультанта по искусственному интеллекту вы можете работать в таких областях, как управленческий консалтинг, анализ данных, здравоохранение и электронная коммерция, оказывая поддержку компаниям во внедрении решений на основе искусственного интеллекта. Вы будете помогать оптимизировать бизнес-процессы, принимать решения на основе данных и разрабатывать инновационные технологии.
Дидактическая концепция
Ваши преподаватели обладают высокой профессиональной и дидактической квалификацией и будут обучать вас с первого до последнего дня (никакой системы самообучения).
Вы будете учиться в эффективных небольших группах. Обычно курсы состоят из 6-25 человек. Общие занятия дополняются многочисленными практическими упражнениями во всех модулях курса. Практический этап - важная часть курса, поскольку именно в это время вы обрабатываете полученные знания и обретаете уверенность и практичность в их применении. Заключительный раздел курса включает в себя проект, разбор конкретных ситуаций или итоговый экзамен.
Виртуальный класс alfaview®
BildungszentrumЗанятия проводятся с использованием современной видеотехнологии alfaview® - не выходя из дома или в нашем офисе по адресу . Весь курс может видеть друг друга лицом к лицу через alfaview®, общаться друг с другом с помощью синхронизированного по губам голоса и работать над совместными проектами. Разумеется, вы также можете в любое время видеть и разговаривать со своими преподавателями в прямом эфире, и на протяжении всего курса вас будут обучать преподаватели в режиме реального времени. Уроки - это не электронное обучение, а настоящее живое очное преподавание с помощью видеотехнологий.
alfatraining Agentur für Arbeit Учебные курсы субсидируются и сертифицируются в соответствии с положением об утверждении AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinПри подаче заявки или заявки на обучение все расходы на курс обычно покрываются финансирующей организацией.
Europäischen Sozialfonds Deutsche Rentenversicherung Финансирование также возможно через программы (ESF), (DRV) или региональные программы финансирования. Berufsförderungsdienst Как постоянный солдат, вы можете посещать курсы повышения квалификации по программе (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компании также могут повысить квалификацию своих сотрудников по программе финансирования от .