Ta kontakt

Kursplan

1. Introduksjon til AI-ingeniørfag

  • Hva er AI-ingeniørfag?
  • AI kontra maskinlæring kontra dyp læring
  • Ay-inngeniør-livssyklus
  • Anvendelser av AI på tvers av industrier
  • Roller og ansvar for en AI-ingeniør

2. Grunnlaget for kunstig intelligens

  • Sentrale AI-konsepter og terminologi
  • Overvåket, uovervåket og forsterkningslæring
  • Nerve-nettverk og grunnleggende prinsipper for dyp læring
  • Oversikt over generativ AI og fundamentale modeller
  • AI-utviklingsøkosystemer og rammeverk

3. Python for AI-ingeniørfag

  • Viktige Python-biblioteker for AI
  • NumPy, Pandas og Matplotlib
  • Datahandsaming og visualisering
  • Arbeid med Jupyter-notebøker
  • Skrive gjenbrukbar AI-kode

4. Dataforberedelse for AI

  • Innsamling og forståelse av datasett
  • Datarensning og preprocessing
  • Funksjonsingeniøring
  • Funksjonsskalaering og normalisering
  • Oppdeling av datasett i trenings-, validering- og testsett
  • Håndtering av manglende verdier og utligger

5. Grunnleggende prinsipper for maskinlæring

  • Regresjonsalgoritmer
  • Klassifiseringsalgoritmer
  • Klyngemetoder
  • Modeltreningsarbeidsflyt
  • Evaluering av modeller
  • Forebygging av overpassing og underpassing

6. Bygging av AI-modeller med TensorFlow og PyTorch

  • Innledning til TensorFlow
  • Innledning til PyTorch
  • Opprettelse av nerve-nettverk
  • Trening og validering av modeller
  • Lagring og lasting av modeller
  • Sammenligning av begge rammeverkene

7. Grunnleggende prinsipper for naturlig språkbehandling

  • Førbehandlings av tekst
  • Orddelinger
  • Testklassifisering
  • Sentimentsanalyse
  • Innledning til transformer-modeller
  • Praktiske NLP-applikasjoner

8. AI innen programvareutvikling

  • Integrasjon av AI i eksisterende applikasjoner
  • Anrop av AI-tjenester via API-er
  • Utvikling av AI-drevne applikasjoner
  • AI-assisterte verktøy for programvareutvikling
  • Testing av AI-koblet applikasjoner

9. Beste praksis for AI-ingeniørfag

  • Prosjektorganisering
  • Versjonskontroll med Git
  • Eksperimentoppfølging
  • Modellversjonering
  • Dokumentasjonsstandarder
  • Gjenskapelighet i AI-prosjekter

10. Distribusjon av AI-modeller

  • Modellserialisering
  • Bygging av inferenstjenester
  • REST API-er for AI-modeller
  • Innledning til Docker for distribusjon av AI
  • Moting av distribuerte modeller
  • Vedlikehold og oppdateringer av modeller

11. AI-dataingeniørfag

  • Datapipelines
  • ETL-prosessene
  • Håndtering av strukturerte og ustukturerte data
  • Datalagringsmuligheter
  • Datakvalitetsstyring
  • Forberedelse av produksjonsklare datasett

12. Ansvarsfull og etisk AI

  • AI-forforstått og rettferdighet
  • Forklarbar AI (XAI)
  • Personvern og databeskyttelse
  • Sikkerhetsaspekter for AI
  • Ansvardsfull AI-utvikling
  • Regulatoriske og styringsaspekter

13. Prosjektledelse av AI

  • Ay-prosjektlivssyklus
  • Agile metoder for AI-prosjekter
  • Samarbeid mellom tekniske og forretningsenheter
  • Anslåing av AI-prosjekter
  • Håndtering av risici
  • Måling av prosjektvellykthet

14. Praktisk AI-ingeniørfagworkshop og fremtidstrender

  • Oppsett av en komplett AI-utviklingsarbeidsflyt
  • Bygging av et end-to-end maskinlæringsprosjekt
  • Trening og evaluering av en modell ved hjelp av TensorFlow eller PyTorch
  • Distribusjon av en enkel AI-applikasjon
  • Aktuelle trender innen AI-ingeniørfag
  • Generativ AI og store språkmodeller (LLMs)
  • MLOps og automatisk AI
  • Karrieremuligheter og kontinuerlig læring
  • Oppsummering, spørsmål og svar, og neste steg

Krav

  • Kunnskap om grunnleggende programmeringskonsepter
  • Erfaring med Python-programmering
  • Forståelse for grunnleggende statistikk og lineær algebra

Målgruppe

  • AI-ingeniører
  • Programvareutviklere
  • Dataanalytikere
 14 Timer

Antall deltakere


Pris per deltaker

Referanser (2)

Kommende kurs

Relaterte kategorier