Tapk dirbtinio intelekto specialistu!

Šiame kurso etape studentai gilinasi į pažangesnes Python programavimo kalbos sritis. Mokymų metu bus nagrinėjami išimčių valdymo mechanizmai, leidžiantys efektyviai tvarkytis su klaidomis programose. Taip pat bus išmokstama naudotis moduliais ir paketais, kas suteiks galimybę integruoti išorinį funkcionalumą į savo projektus. Dėmesys bus skiriamas dekoratoriams, generatoriams ir iteratoriams, kurie leidžia rašyti lankstesnį ir efektyvesnį kodą. Studentai taip pat supažindinami su asinchroniniu programavimu, testavimu ir programavimo architektūromis, kas padės kurti kokybiškesnes ir patikimesnes aplikacijas.

Duomenų analizės skyriuje kursų dalyviai išmoks naudoti Pandas ir NumPy bibliotekas duomenų valymui, apdorojimui ir analizei. Bus nagrinėjamos duomenų vizualizacijos technikos, pasitelkiant Matplotlib ir Seaborn bibliotekas, leidžiančias atvaizduoti duomenis aiškiai ir suprantamai. Taip pat kursas apims duomenų klasifikavimo ir prognozavimo pagrindus, naudojant paprastus mašininio mokymosi modelius. Tai suteiks studentams tvirtą pagrindą duomenų analizės srityje ir paruoš juos sudėtingesniems uždaviniams.

Ši dalis skirta suteikti studentams pagrindines žinias apie duomenų bazių valdymo sistemas (DBMS), su ypatingu dėmesiu SQL kalbai ir duomenų bazių integracijai su Python. Kursas padės studentams suprasti, kaip efektyviai saugoti, valdyti ir prieiti prie duomenų, kurie yra būtini bet kokio dydžio projektams ir aplikacijoms.

Šioje kurso dalyje dėmesys bus skiriamas mašininio mokymosi (ML) pagrindams ir metodams, suteikiant studentams būtiną supratimą ir įgūdžius, reikalingus modelių kūrimui ir taikymui. Studentai išmoks naudoti scikit-learn biblioteką, kuri yra viena populiariausių Python bibliotekų mašininiam mokymuisi, apimant tiek prižiūrimąjį (supervised) mokymasį, tiek neprižiūrimajį (unsupervised) mokymąsi. Bus nagrinėjami pagrindiniai ML modeliai, tokie kaip linijinė ir logistinė regresija, sprendimų medžiai, atsitiktinių miškų algoritmai ir palaikymo vektorių mašinos (SVM).

Ši kurso dalis skirta supažindinti studentus su neuronalinių tinklų ir giliojo mokymosi (deep learning, DL) konceptais. Pradėsime nuo pagrindų – kas yra dirbtiniai neuronai, kaip jie sujungiami į tinklus ir kaip šie tinklai mokomi atpažinti raštus, garsus, vaizdus ir kitus sudėtingus duomenų tipus. Studentai išmoks naudoti TensorFlow ir Keras, dvi pagrindines bibliotekas, kurios palengvina DL modelių kūrimą ir mokymą. Bus detaliai nagrinėjami pagrindiniai DL modeliai, įskaitant konvoliucinius (CNN) ir rekurentinius (RNN) neuronalinius tinklus, kurie yra itin svarbūs vaizdo atpažinimo ir natūralios kalbos apdorojimo (NLP) užduotims. Kursas apims laiko eilučių analizę ir modelius kaip (LSTM) ir (GRU).

Šiame kurso segmente studentai susipažins su įvairiais dirbtinio intelekto (DI) taikymo atvejais, įskaitant pažangias asistentų sistemas ir automatizuotą klientų aptarnavimą bei sužinos apie DI projektų teisinius ir etinius aspektus. Kursas apims sėkmingų DI sprendimų analizę ir jų poveikį verslui, sveikatos priežiūrai bei kitoms sritims. Teisiniai ir etiniai klausimai, tokie kaip privatumas, duomenų apsauga ir intelektinė nuosavybė, bus aptarti kartu su etinėmis dilemomis, susijusiais su automatizuoto sprendimų priėmimo poveikiu ir atsakomybe. Studentai išmoks, kaip svarbu integruoti etines vertybes ir laikytis teisinių reikalavimų, kuriant DI sprendimus. Kursas taip pat nagrinės tarptautinius reglamentus ir skirtingas šalių politikas DI reguliavimo srityje, paruošdamas studentus atsakingam DI technologijų kūrimui ir taikymui.

CV, LinkedIn, darbo pokalbio dirbtuvės, inviduali veikla ir mokesčiai, IT specialisto kompetencijos