Mesterséges intelligencia alapok
Szoftvermérnököknek és adattudósoknak
- 3 hónap
Leírás
From Zero to AI Hero – mesterségesintelligencia-alapozó képzés fejlesztőknek és adatelemzőknek.
A kurzus bevezet a felügyelt, nem felügyelt és megerősítéses tanulás, a neurális hálók, LLM-ek és a modern MI-rendszerek világába. Ajánljuk mindazoknak, akik fejlesztőként vagy adatelemzőként bővítenék tudásukat, vagy új irányba
indulnának el az MI területén.
A tanfolyam Python nyelven zajlik, mivel ez a legelterjedtebb és legsokoldalúbb nyelv a mesterséges intelligencia területén. A képzés során modern Python-alapú eszközöket és könyvtárakat használunk, amelyek támogatják az adatelemzést, a mélytanulást, a természetes nyelvfeldolgozást, valamint a megerősítéses tanulás gyakorlati alkalmazásait.
A gyakorlati feladatokhoz Google Colab-et használunk, amely egy böngészőből elérhető, előre konfigurált környezet – így a résztvevők telepítés nélkül, azonnal elkezdhetnek dolgozni, akár GPU-gyorsítással is.
Az oktatás során bemutatunk elterjedt MI-keretrendszereket, neurális hálók fejlesztési módszereit, nyelvi modelleket, és azt is, hogyan készíthetünk egyszerű, interaktív MI-alkalmazásokat.
Kiemelt figyelmet fordítunk az algoritmusok működésének megértésére is, hogy adatelemzőként megalapozottan választhasd ki a legalkalmasabb módszert, fejlesztőként pedig képes legyél a modellek finomhangolására. A tananyag mindig naprakész, és a legfrissebb technológiákhoz igazodik. A tanfolyam során az ingyenesen elérhető eszközök elegendőek a tanfolyam teljesítéséhez.
Időpontok
További információk a tanfolyamról
Kinek ajánljuk
Ez a képzés azoknak szól, akik szoftvermérnökként új irányt keresnek a mesterséges intelligencia területén, illetve adattudósként szeretnék bővíteni szakmai eszköztárukat az MI alapjaival és gyakorlati alkalmazásaival.
Cél
Valós projekteken keresztül versenyképes, mély elméleti tudással alátámasztott tudás megszerzése, amely támogatja karrierváltásodat vagy szakmai fejlődésedet.
Előfeltételek
Alapfokú Python-tudás, valamint alapvető matematikai és adatelemzési ismeretek. Fontos a logikus gondolkodás és a nyitottság az új ismeretek elsajátítására, de magas szintű matematikai háttér nem feltétel.
Vizsga és képzés
A résztvevők a tanfolyam utolsó alkalmával számot adnak megszerzett tudásukról, vizsga keretében, melyről nyilvántartási számmal rendelkező tanúsítványt állítunk ki.
Áfa: A tanfolyam árai bruttó árak, a képzés típusának megfelelő ÁFA tartalommal!
Tanórák: A tanórák 45 percnek felelnek meg. Az oktatási napokon több tanórát veszel, szünet közbeiktatásával.
Részletfizetés: Legalább 2 hónapot átölelő képzéseknél igény esetén kamatmentes részletfizetést biztosítunk, amit a honlapon történő jelentkezésednél tudsz igényelni. Részletfizetés esetén a részletek havonta, előre fizetendők, az aktuális hónap 10. napjáig.
Kedvezmény: Ha már elvégeztél nálunk egy tanfolyamot és a jelentkezésnél ezt jelzed a megjegyzés mezőben, 5%-os kedvezményre vagy jogosult az új tanfolyami jelentkezésed árából. Két tanfolyam elvégzése után 10%-os kedvezményt adunk a harmadikra.
Ha ajánlásodra érkezik másik hallgató is, és ezt jelzed a megjegyzésnél, szintén 5% kedvezményt adunk a te újabb jelentkezésednél, két új hallgató ajánlása után 10% kedvezményt biztosítunk.
A kedvezmények nem összevonhatóak, induló tanfolyam esetén igénybe vehetők.
Becsatlakozás: Tanfolyamtól függően lehetőséget biztosítunk a közelmúltban indult tanfolyamainkba való becsatlakozásra.
Általános információk: A jelentkezés szóbeli szerződésnek minősül, amit felnőttképzési szerződés követhet. A résztvevő nem kér előzetes tudásfelmérést és a sikeres tanfolyamzárást követően magyar-angol nyelven kapja a tanúsítványát. Az ettől eltérő igényeket az ügyfélszolgálaton lehet jelezni.
Mesterséges intelligencia alapok tanfolyam - tematika
Bevezetés, AI alapok
- Alapok, területek, rövid MI történeti áttekintés
- MI definíciók, célok
- Gépi tanulás, deep learning, reinforcement learning különbségei
- AI etika, torzítás, valós példák
Adatok világa
- Adattisztítás, előfeldolgozás, EDA
- Hiányzó adatok, encoding, normalizálás
- Outlierek, szűrés, imputálás
Felügyelt gépi tanulás
- Felügyelt tanulás típusai: klasszifikáció és regresszió
- Klasszikus ML algoritmusok
- Döntési fa, KNN, SVM, random forest, logist. regression
- Sklearn pipeline
- Metrikák (accuracy, F1, ROC)
- Gyakorlati feladat: predikció valós adatokon (klasszifikáció és regresszió)
Nem felügyelt gépi tanulás
- Klaszterezés: K-means, DBSCAN
- Dimenziócsökkentés és dimenzió probléma (miért fontos, hogyan kezeljük)
- Dimenziócsökkentő módszerek: PCA, t-SNE, UMAP (főkomponens-analízis)
- Vizualizáció és klaszterek értelmezése
Mélytanulás alapok
- Neurális hálók (MLP), TensorFlow/Keras
- Perceptron, MLP, aktivációk
- Keras alapok, háló építés
- Túltanulás, dropout
- Képfeldolgozás: MNIST vagy egyszerű képfelismerés
Nyelvi modellek
- Neurális hálók: perceptron, több rétegű perceptron (MLP), aktivációs függvények
- TensorFlow és Keras alapjai: hálóépítés és modellezés
- Túltanulás és dropout technika
- Képfeldolgozás gyakorlati példával: MNIST vagy egyszerű képfelismerő feladat
Megerősítéses tanulás
- Alapelvek, egyszerű példák
- Agent, reward, state, action fogalmak
- Epsilon-greedy, Q-learning egyszerű példán
Projektfeladat
- Egyéni vagy páros mini projekt valós problémára
- Pipeline kidolgozása, akár több AI-komponens összekapcsolásával, és egyszerű webes bemutató készítése (pl. Gradio vagy Google Colab használatával)
- Értékelés, tanúsítvány kiadása, személyre szabott visszajelzés