Uporabna metodologija umetne inteligence

  1. Razumevanje delovanja analize
  2. Učinkovita uporaba analize podatkov s strojnim učenjem
  3. Določanje, kaj lahko umetna inteligenca doseže

  1. Postopek podatkovne znanosti
  2. Strojno učenje v poslovanju
  3. Zajem podatkov
  4. Priprava podatkov
  5. Vizualizacija podatkov
  6. Sklepanje
  7. Podatkovni inženiring
  8. Pristop na podlagi pravil proti pristopu podatkovne znanosti

  1. Uvod v oblikovanje sistemov umetne inteligence
    1. Poslovni cilji in cilji strojnega učenja
    2. Zahteve za sisteme umetne inteligence
    3. Iterativni postopek
    4. Oblikovanje problemov umetne inteligence
    5. Um v primerjavi s podatki
  2. Osnove podatkovnega inženiringa
    1. Viri podatkov
    2. Podatkovni formati
    3. Modeli podatkov
    4. Motorji za shranjevanje in obdelavo podatkov
    5. Načini pretoka podatkov
    6. Serijska obdelava v primerjavi s pretočno obdelavo
  3. Podatki za usposabljanje
    1. Vzorčenje
    2. Označevanje
    3. Neuravnoteženost razredov
    4. Razširjenje podatkov
  4. Oblikovanje značilnosti
    1. Naučene značilnosti v primerjavi z načrtovanimi značilnostmi
    2. Običajne značilnosti Inženirske operacije
    3. Uhajanje podatkov
    4. Načrtovanje dobrih lastnosti
  5. Razvoj modela in vrednotenje brez povezave
    1. Razvoj modela in usposabljanje
    2. Vrednotenje modela brez povezave
  6. Uporaba modela in storitev napovedovanja
    1. Miti o uvajanju strojnega učenja
    2. Serijsko napovedovanje v primerjavi s spletnim napovedovanjem
    3. Stiskanje modela
    4. Strojno učenje v oblaku in na robu
  7. Premiki in spremljanje distribucije podatkov
    1. Vzroki za napake sistemov umetne inteligence
    2. Premiki distribucije podatkov
    3. Spremljanje in možnost opazovanja
  8. Nenehno učenje in testiranje v produkciji
    1. Nenehno učenje
    2. Testiranje v proizvodnji
  9. Infrastruktura in orodja za MLOps
    1. Shranjevanje in računanje
    2. Razvojno okolje
    3. Upravljanje virov
    4. Platforma strojnega učenja
    5. Gradnja proti nakupu
  10. Človeška plat umetne inteligence
    1. Uporabniška izkušnja
    2. Struktura ekipe
    3. Odgovorna umetna inteligenca

  1. Uvod v XAI
  2. Opredelitev metod in pristopov za razlago
  3. Ocenjevanje kakovosti metod za pojasnjevanje
  4. Vrste metod pojasnjevanja modelov
  5. Metode pridobivanja znanja
  6. Metode, ki temeljijo na vplivu
  7. Metode, ki temeljijo na primerih

  1. Profil inženirja umetne inteligence
  2. Pomembni dejavniki
    1. Razjasnitev razlik med podatkovnim znanstvenikom in inženirjem umetne inteligence
    2. Osredotočanje na preprostost pri vseh projektnih delih za zmanjšanje tveganja
    3. Uporaba agilnih temeljev pri projektnem delu na področju umetne inteligence
    4. Razlike in podobnosti med DevOps in MLOps
  3. Načrtovanje in določanje obsega projekta
  4. Komunikacija in logistika projekta
  5. Načrtovanje in raziskovanje projekta umetne inteligence
  6. Testiranje in vrednotenje projekta umetne inteligence
  7. Prehod od prototipa do MVP

Metode in orodja na področju umetne inteligence

Uporabna umetna inteligenca v znanosti