Program studiów
Program studiów podyplomowych na kierunku Artificial intelligence. Machine learning na Uniwersytecie WSB Merito we Wrocławiu.
Liczba miesięcy nauki: 9
Liczba godzin: 176
Liczba zjazdów: 11
Liczba semestrów: 2
Wprowadzenie do Machine Learning w Pythonie
(16 godz.)
- Podstawy uczenia maszynowego (ML) – teoria, rodzaje uczenia (nadzorowane, nienadzorowane), zastosowania ML
- Python dla ML – struktury danych (listy, słowniki, numpy arrays), podstawy pracy w Jupyter Notebook
- Wprowadzenie do bibliotek ML – omówienie najważniejszych bibliotek (numpy, pandas, scikit-learn)
- Eksploracyjna analiza danych (EDA) – wprowadzenie do analizy danych z użyciem pandas i matplotlib
- Regresja liniowa w Pythonie – implementacja regresji liniowej z scikit-learn, interpretacja wyników
Algorytmy Uczenia Maszynowego – Klasyfikacja i Klasteryzacja
(16 godz.)
- Klasyfikacja – omówienie algorytmów klasyfikacji (KNN, drzewa decyzyjne, regresja logistyczna)
- Implementacja klasyfikatorów w scikit-learn – tworzenie modeli klasyfikacyjnych i ocena ich wyników
- Klasteryzacja – K-means, analiza skupień, zastosowania klasteryzacji
- Optymalizacja modeli – dobór hiperparametrów, użycie GridSearchCV i RandomizedSearchCV
- Wizualizacja wyników modeli – wizualizacje i interpretacje wyników z matplotlib i seaborn
Zaawansowane techniki Uczenia Maszynowego – Ensemble Learning i Regresja
(16 godz.)
- Ensemble Learning – wprowadzenie do metod zespołowych (Random Forest, Gradient Boosting)
- Implementacja modeli zespołowych w Pythonie – praktyczne zastosowanie w scikit-learn
- Regresja wielomianowa i regresja Ridge/Lasso – wprowadzenie do zaawansowanych technik regresji
- Przetwarzanie i inżynieria cech – tworzenie cech, standaryzacja, normalizacja danych
- Wskaźniki oceny modeli – metryki oceny dla klasyfikacji i regresji (accuracy, precision, recall, RMSE, MAE)
Wprowadzenie do MLOps i przygotowanie modeli do produkcji
(16 godz.)
- Przegląd cyklu życia modelu ML – od eksploracji danych po wdrożenie
- Pipeline’y ML w Pythonie – tworzenie zautomatyzowanych potoków ML z użyciem scikit-learn
- Model Selection i Cross-validation – walidacja modeli, cross-validation, podział na zbiór treningowy i testowy
- Wprowadzenie do MLOps – koncepcja zarządzania cyklem życia modeli, automatyzacja
- Przygotowanie modelu do wdrożenia – zapisywanie modeli (pickle, joblib), najlepsze praktyki przy wdrażaniu
Wprowadzenie do Azure i Azure Machine Learning
(16 godz.)
- Podstawy Azure – omówienie usług i struktury platformy Azure, zakładanie konta, zarządzanie zasobami
- Azure Machine Learning Workspace – konfiguracja środowiska, tworzenie eksperymentów, zarządzanie danymi
- Wprowadzenie do Azure AutoML – automatyczne generowanie modeli ML, omówienie funkcji i konfiguracji
- Integracja modeli ML w Azure – wprowadzenie do Azure ML SDK, ładowanie i wdrażanie gotowych modeli
Usługi Wizyjne w Azure AI Services
(16 godz.)
- Computer Vision API – analiza obrazów, wykrywanie obiektów, rozpoznawanie scen
- Custom Vision – tworzenie modeli rozpoznawania obrazów specyficznych dla użytkownika
- Face API – rozpoznawanie twarzy, identyfikacja osób, analiza emocji
- Integracja z Pythonem – implementacja aplikacji wykorzystujących API wizyjne z użyciem Pythona
Przetwarzanie Języka Naturalnego (NLP) w Azure AI Services
(16 godz.)
- Text Analytics API – analiza sentymentu, ekstrakcja kluczowych fraz, wykrywanie języka
- Language Understanding (LUIS) – budowa modeli do rozpoznawania intencji i jednostek
- Translator Text API – automatyczne tłumaczenia z wieloma językami
- Tworzenie aplikacji NLP z Pythonem i Azure – budowa aplikacji NLP z integracją usług Azure
Usługi Mowy w Azure AI Services
(16 godz.)
- Speech to Text API – konwersja mowy na tekst, transkrypcja na żywo
- Text to Speech API – generowanie mowy na podstawie tekstu, personalizacja głosów
- Speaker Recognition – rozpoznawanie mówców, weryfikacja tożsamości
- Integracja usług mowy w Pythonie i Azure – tworzenie aplikacji z interfejsem głosowym
Azure OpenAI Service – wykorzystanie modeli GPT
(16 godz.)
- Wprowadzenie do Azure OpenAI – omówienie modeli OpenAI dostępnych na platformie Azure
- Modele OpenAI w Azure – praca z GPT, DALL-E
- Tworzenie aplikacji z GPT – integracja modeli GPT do generowania odpowiedzi tekstowych w aplikacjach
Zaawansowane wdrożenie modeli AI – konteneryzacja i zarządzanie cyklem życia modelu (MLOps)
(16 godz.)
- Konteneryzacja modeli z Dockerem – podstawy Dockera, tworzenie kontenerów dla modeli ML i AI
- Azure Kubernetes Service (AKS) – wprowadzenie do Kubernetes, wdrażanie konteneryzowanych aplikacji AI
- Wdrażanie modeli w AKS – uruchamianie modeli w środowisku AKS, skalowanie aplikacji AI
- Monitorowanie modeli w produkcji – śledzenie metryk, monitorowanie wydajności modeli, identyfikowanie driftu modelu
- Azure DevOps dla MLOps – integracja modeli AI z DevOps, CI/CD dla modeli, automatyzacja procesu wdrażania i monitorowania
Projekt i egzamin końcowy
(16 godz.)
- Seminarium projektowe – opracowanie projektu końcowego, wybór problemu do analizy, praca nad projektem.
- Prezentacja projektu – omówienie wyników, przegląd zastosowanych technik, omówienie wykorzystanych technologii.
- Egzamin końcowy – test.