Продължителност: 48 часа

За кого е курса: ML/AI/Data-science Python разработчици

Какви умения ще придобиете:

Този курс ви дава изчерпателни практически познания в областта на машинното обучение, интелигентните агенти и големите езикови модели, като ви дава възможност да иновирате и да постигате практически резултати в бързо развиващата се област на изкуствения интелект:

• умения за изграждане и внедряване на модели за машинно обучение – от основни алгоритми до усъвършенствани техники за дълбоко учене и reinforcement learning, което ви позволява да решавате ефективно проблеми от реалния свят
• практически опит с големи езикови модели (LLM), като GPT и BERT, включително fine tuning, prompt engineering и интегриране на LLM в интелигентни агенти за разбиране и генериране на естествен език
• разработване state-of-the-art интелигентни агенти, използващи LLMs, които могат да вземат автономни решения, да водят интерактивни разговори и да взаимодействат с външни API и бази от знания
• овладяване на основни инструменти и библиотеки за машинно обучение (TensorFlow, PyTorch, Keras, Hugging Face, LangChain, LlamaIndex, CrewAI и др.) чрез проектно-базирано обучение, като изградите собствено портфолио от практически реализаци
• разбиране на методите за reinforcement learning и реализация на RL агенти в симулирана среда, включително оптимизацията на политики и механизми за възнаграждение.
• способност да оценявате, настройвате и внедрявате модели за машинно обучение и LLM с най-добрите практики за избягване на пристрастия, управление на халюцинации и гарантиране на етично използване на ИИ.
• полагане на стабилна основа както в теоретичните концепции, така и в приложните техники, което ви позволява уверено да допринасяте за изследванията, разработването или внедряването на ИИ в индустрията
• разширяване на кариерните възможностите чрез владяване на търсени умения в областта на машинното обучение, обработката на естествен език и проектирането на агенти с ИИ, подкрепени от менторство от експерти от академията/индустрията.

Програма на курса:

Module 1: Foundations of Machine Learning (8 hours)

• Overview of machine learning paradigms: supervised, unsupervised, and reinforcement learning

• Mathematical foundations: linear algebra, calculus, probability, and statistics essentials for ML

• Introduction to Python for ML: libraries (NumPy, Pandas, scikit-learn), data handling, and visualization

• Hands-on: Implement linear and logistic regression models from scratch and using scikit-learn

• Problem solving: Model evaluation, overfitting, underfitting, regularization techniques (L1, L2)

Module 2: Core Machine Learning Algorithms and Techniques (10 hours)

• Decision trees, random forests, and ensemble methods (bagging, boosting)

• Support Vector Machines (SVM) and kernel methods

• Clustering algorithms: k-means, hierarchical clustering, DBSCAN

• Dimensionality reduction: PCA, t-SNE

• Hands-on: Build classification and clustering pipelines with real datasets

• Problem solving: Hyperparameter tuning, cross-validation, and model selection

Module 3: Neural Networks and Deep Learning (10 hours)

• Fundamentals of neural networks: architecture, activation functions, loss functions

• Forward and backward propagation, gradient descent optimization

• Deep learning architectures: CNNs, RNNs, LSTMs

• Introduction to transformers and attention mechanisms

• Hands-on: Implement feedforward and convolutional neural networks using TensorFlow or PyTorch

• Problem solving: Training deep models, avoiding overfitting, and improving generalization

Module 4: Reinforcement Learning and Intelligent Agents (8 hours)

• Reinforcement learning basics: Markov Decision Processes, policies, rewards

• Dynamic programming, Monte Carlo methods, Temporal Difference learning

• Q-learning and Deep Q-Networks (DQN)

• Introduction to intelligent agents and their architectures

• Hands-on: Implement simple RL agents in OpenAI Gym environments

• Problem solving: Exploration vs. exploitation, reward shaping, and policy optimization

Module 5: Large Language Models (LLMs) and Natural Language Processing (10 hours)

• Overview of language models: from n-grams to transformers

• Architecture and training of LLMs (e.g., GPT, BERT)

• Tokenization, embeddings, and attention in NLP

• Fine-tuning and prompt engineering for LLMs

• Hands-on: Use Hugging Face Transformers library to build and fine-tune LLMs for text classification, summarization, and generation

• Problem solving: Handling bias, hallucinations, and evaluation of LLM outputs

Module 6: Agents Powered by LLMs and Practical Applications (8 hours)

• Architectures for LLM-powered agents: chatbots, autonomous decision-making agents

• Integration of LLMs with external APIs and knowledge bases

• Multi-modal agents combining vision, language, and action

• Ethical considerations and safety in agent design

• Hands-on: Build a conversational agent using LLM APIs and custom logic

• Problem solving: Context management, multi-turn dialogue, and agent evaluation

Module 7: Project Work and Real-World Problem Solving (6 hours)

• Project 1: End-to-end ML pipeline including data preprocessing, model training, and evaluation

• Project 2: Design and implement a reinforcement learning agent in a simulated environment

• Project 3: Fine-tune and deploy a large language model for a domain-specific task

• Project 4: Develop an LLM-powered agent with multi-turn interaction capabilities

• Code reviews, performance tuning, and presentation of results

Module 8: Review, Assessment, and Future Directions (4 hours)

• Recap of key concepts, algorithms, and tools

• Final coding assessment and problem-solving exercises

• Discussion on emerging trends: foundation models, multi-agent systems, and AI ethics

• Guidance on continued learning paths and research opportunities

За повече информация и въпроси ни пишете на e-mail: office@iproduct.org