Kurs Trenowanie modeli AI. Praktyka tworzenia i wdrożeń

1. Wprowadzenie do trenowania modeli AI

• rola danych w procesie uczenia maszynowego cykl życia modelu: od przygotowania danych do wdrożenia najczęstsze wyzwania w praktyce.

2. Zbieranie i gromadzenie danych

• pozyskiwanie danych z różnych źródeł (wewnętrzne, zewnętrzne, API) organizacja i przechowywanie danych (bazy SQL/NoSQL, data lakes) bezpieczeństwo i aspekty prawne danych.

3. Przygotowanie i transformacja danych

• czyszczenie i uzupełnianie braków w danych,
• transformacje: normalizacja, standaryzacja, kodowanie zmiennych kategorycznych inżynieria cech (feature engineering) jako klucz do lepszych modeli.

4. Eksploracyjna analiza danych (EDA)

• wizualizacja danych: wykresy, diagramy, heatmapy identyfikacja trendów, zależności i korelacji wykrywanie anomalii i wartości odstających (outliers).

5. Budowa i wybór modelu AI

• przegląd najczęściej stosowanych algorytmów (regresja, drzewa, sieci neuronowe) dobór algorytmu do rodzaju problemu i charakteru danych implementacja modelu w praktyce (Python, R, ML.NET).

6. Proces treningowy

• podział danych: zbiór treningowy, walidacyjny, testowy techniki walidacji: cross-validation i jego warianty zarządzanie procesem uczenia (epoki, batch size, learning rate).

7. Walidacja i ocena jakości modeli

• metryki jakości: accuracy, precision, recall, F1-score confusion matrix i interpretacja wyników analiza krzywych ROC i AUC w ocenie modeli.

8. Optymalizacja modeli

• tuning hiperparametrów: grid search, random search, bayesian optimization redukcja wymiarowości i selekcja cech (PCA, feature selection) zapobieganie overfittingowi i underfittingowi.

9. Wdrażanie modelu w praktyce

• integracja z systemami biznesowymi i produkcyjnymi API i konteneryzacja (np. Docker) jako sposób udostępniania modeli kwestie skalowalności i wydajności w środowisku produkcyjnym.

10. Monitorowanie i utrzymanie modeli

• śledzenie wydajności modelu w czasie rzeczywistym identyfikacja dryfu danych (data drift, concept drift) aktualizacja, retraining i cykliczne doskonalenie modelu.