Применета методологија на вештачка интелигенција

  1. Разбирање како функционира анализата
  2. Ефикасно користење на анализа на податоци со машинско учење
  3. Одредување што може да постигне вештачката интелигенција

  1. Процес на науката за податоци
  2. Машинско учење во бизнисот
  3. Собирање на податоци
  4. Подготовка на податоци
  5. Визуелизација на податоци
  6. Заклучок
  7. Инженеринг на податоци
  8. Пристап на база на правила наспроти пристап на база на наука за податоци

  1. Вовед во дизајн на системи на база на Вештачка Интелигенција
    1. Бизнис и цели на машинското учење
    2. Барања за системи на база на Вештачка Интелигенција
    3. Итеративни процеси
    4. Врамување проблеми на база на Вештачката Интелигенција
    5. Ум наспроти податоци
  2. Основи за инженерство на податоци
    1. Извори на податоци
    2. Формати на податоци
    3. Модели на податоци
    4. Складиштење на податоци и нивно процесирање
    5. Начини на проток на податоци
    6. Шаржни процеси наспроти континуирани процеси
  3. Податоци за обука
    1. Узоркување
    2. Обележување
    3. Класна нерамнотежа
    4. Зголемување на податоците
  4. Инженерство на карактеристиките
    1. Научени карактеристики наспроти инженерски карактеристики
    2. Заеднички карактеристики на инженерски операции
    3. Протекување на податоци
    4. Инженерски добри карактеристики
  5. Развој на модел и офлајн евалуација
    1. Развој на модел и обука
    2. Офлајн евалуација на модел
  6. Распоредување на модел и сервис за предвидување
    1. Митови за примена на машинското учење
    2. Шаржно предвидување наспроти онлајн предвидување
    3. Компресија на модел
    4. ML на “cloud” и на “edge”
  7. Смени во дистрибуцијата на податоци и мониторирање
    1. Причини за дефекти на системот на база на Вештачката Интелигенција
    2. Смени во дистрибуцијата на податоци
    3. Следење и набљудување
  8. Континуирано учење и тест во производство
    1. Континуирано учење
    2. Тест во производство
  9. Инфраструктура и алатки за операции за машинското учење (MLOps)
    1. Складирање и пресметување
    2. Средина за развој
    3. Менаџирање со ресурси
    4. Платформа за машинско учење
    5. Изградба наспроти купување
  10. Човечката страна на Вештачката Интелигенција
    1. Корисничко искуство
    2. Тимска структура
    3. Одговорна Вештачка Интелигенција

  1. Вовед во Вештачка Интелигенција која може да се објасни (XAI)
  2. Дефинирање на методи и пристапи за објаснување
  3. Оценување на квалитетот на методите за објаснување
  4. Видови методи за објаснување на моделот
  5. Методи за екстракција на знаење
  6. Методи засновани на влијание
  7. Методи базирани на примери

  1. Профил на инженер за Вештачка Интелигенција
  2. Важни фактори
    1. Разјаснување на разликите помеѓу научник за податоци и инженер за Вештачка Интелигенција
    2. Фокусирање на едноставноста во целата работа во проектот за да се намали ризикот
    3. Примена на агилни основи во работата на проект за Вештачка Интелигенција
    4. Разлики и сличности помеѓу операции за развој на софтвер (DevOps) и операции за машинско учење (MLOps)MLOps
  3. Планирање и опфат на проект
  4. Комуникација и логистика на проектот
  5. Планирање и истражување на проект на база на Вештачка Интелигенција
  6. Тестирање и евалуација на проект на база на Вештачка Интелигенција
  7. Премин од прототип во минимално оддржлив производ (minimum viable product – MVP)

Методи и алатки во Вештачката Интелигенција

Применета Вештачка Интелигенција во науката