Szkolenie: AI i Machine Learning dla menedżerów i analitykówAI-ML-FOUNDATION

Dostępne na zamówienie dla grup.

Zdalnie
  • 17.06 - wieczorowy (poniedziałki i środy, 18:00 - 21:00)
Żaden termin nie pasuje? Zaproponuj własny termin szkolenia

Tryb zdalny: online na żywo z trenerem i grupą. Zobacz więcej o kursach zdalnych i zakł. "Terminy".
Można: zrezygnować do 15 dni przed startem; w każdej chwili przejść z trybu "na sali" na zdalny.
Dostępne również na zamówienie, w terminie i lokalizacji do uzgodnienia, dla grup od 4 osób.

cena netto
dla podmiotów publicznych - zwolnione z VAT

Cena szkolenia: 2990 PLN

poczęstunek w cenie

stanowisko komputerowe w cenie

first minute (30+ dni do startu) - 3%

AI i Machine Learning dla menedżerów i analityków

Kategoria: Szkolenia AI, GPT i Machine Learning

Kompleksowe szkolenie z zakresu AI i Machine learningu, przewidziane dla menedżerów, decydentów i analityków. Na zajęciach, uczestnicy:

  • zapoznają się z modelami GPT i ChatGPT; nauczą się pisać skuteczne prompty (prompt engineering), poznają API OpenAI i metody integracji ChatGPT z własnymi aplikacjami,
  • nauczą się tworzyć własne (firmowe) chatboty.

Następnie zaprezentujemy przegląd najpopularniejszych modeli Machine Learning i ich zastosowań. Będziemy pracować na realistycznych przykładach dla wybranych branż, na podstawie których słuchacze powinni być w stanie wyrobić sobie opinię i intuicję odnośnie przydatności tych rozwiązań dla ich branż i organizacji. Omówimy modele:

  • od najprostszych drzew decyzyjnych i regresji,
  • poprzez systemy rekomendacyjne,
  • analizy anomalii i ich zastosowanie m.in. w finansach,
  • do głębokich sieci neuronowych oraz przetwarzania języka naturalnego i obrazu.

Omówimy również temat zarządzania projektami AI w organizacji i cyklu życia projektu machine learningowego. Zarysujemy metodykę CRISP-ML.

Zdarzają się sytuacje, gdy nie chcemy lub nie możemy (na przykład z powodów prawnych) korzystać z rozwiązań dostarczanych przez zewnętrzne chmury i API. Zaprezentujemy kursantom przykładowy duży model językowy możliwy do wdrożenia na własnej infrastrukturze.

Na koniec szkolenia zajmiemy się aspektami etycznymi i prawnymi wykorzystywania AI. Mamy tutaj m.in. zagadnienia prywatności, czy tematy takie jak aspekty regulacyjne w różnych krajach, jak również chociażby temat praw autorskich.

Zależało nam na możliwie praktycznym i konkretnym zaprezentowaniu wybranych technik i modeli. Dlatego na naszych zajęciach będziemy prezentować modele, ich zasady działania i zarysy algorytmów. Będziemy też pokazywać przykładowe aplikacje oraz – dla zainteresowanych – fragmenty kodów w języku Python realizujących wybrane zadania. Natomiast nie wymagamy od słuchaczy umiejętności programowania.

Dla wygody i możliwości pogodzenia zajęć m.in. z pracą wszystkich naszych Kursantów, zajęcia odbywają się wieczorami.

Kurs składa się z ośmiu sesji Live, po trzy godziny zegarowe:

  • zajęcia dwa razy w tygodniu (poniedziałki i środy) w godzinach 18:00 – 21:00 w formie webinaru
  • dodatkowo, w piątki o 18:00 – konsultacje online z prowadzącym (półtorej godziny).

Zajęcia są nagrywane. W razie potrzeby będzie możliwość dostępu do nagrań.

Serdecznie zapraszamy!

Czas trwania

8 dni

Program

  1. Wprowadzenie do AI, modeli językowych i GPT.
    • Krótka historia i rozwój sztucznej inteligencji
    • Podstawowe pojęcia, GPT i LLM (Large Language Models)
    • Przegląd GPT (m.in. ChatGPT, GPT-3, GPT-4…) i LLM
    • Zastosowania GPT i LLM w różnych branżach
    • Wprowadzenie pojęć: przetwarzanie języka naturalnego (NLP), sieci neuronowe i uczenie głębokie (deep learning)
  2. ChatGPT. Wykorzystanie w pracy biurowej. Prompt Engineering.
    • Webowy interfejs użytkownika. Konta, wersje modelu. Prompt, konwersacja
    • Typy promptów: system, user, assistant, function
    • Taktyka tworzenia efektywnych promptów. One-shot, few-shot
    • Persona. Zarządzanie tonem i stylem odpowiedzi
    • Zarządzanie formatowaniem odpowiedzi
    • Optymalizacja i personalizacja promptów
    • Wstrzykiwanie i przechowywanie kontekstu. Długotrwałe sesje dialogowe
  3. Prompty – przykłady zastosowań, dobre praktyki i wzorce.
    • Praktyczne przykłady zastosowań GPT i promptów w codziennej pracy
    • Tworzenie dokumentów. Korekta, podsumowanie, przepisywanie tekstów. Tłumaczenia
    • Rozwiązywanie zadań. Odpowiedzi na pytania. Generowanie formuł i kodów, np. HTML, języki programowania
    • Przykładowe scenariusze dla wybranych branż i zastosowań
  4. Krótkie porównanie dostępnych i alternatywnych modeli językowych.
    • ChatGPT, Gemini i Copilot
    • Różnice pomiędzy modelami językowymi, np. przy wykorzystaniu identycznych promptów
    • Pobieżne omówienie mocnych i słabych stron różnych modeli i ich wersji, np. przy zadaniach matematycznych, tłumaczeniach, dostępności do internetu i aktualnej wiedzy
  5. Inne usługi i ich integracje z ChatGPT – generowanie obrazów.
    • Generowanie obrazów i grafik: DALL-E i jego integracja z ChatGPT na poziomie interfejsu WWW
  6. API OpenAI, jego zastosowania i integracja z własnymi aplikacjami. Tworzenie firmowych chatbotów i asystentów.
    • Konfiguracja i bezpieczeństwo korzystania z API OpenAI
    • Konta, koszty i opłaty
    • Rodzaje wywołań API. Punkty dostępu
    • Integracja Chat GPT z innymi modelami i usługami AI
    • Tworzenie własnych (np. firmowych) chatbotów i asystentów głosowych
  7. Wprowadzenie do Machine Learning (ML). Podstawowe pojęcia, działanie, zastosowania.
    • Uporządkowanie definicji i pojęć
    • Analiza danych, ML, AI, sieci neuronowe, deep learning
    • Dane, algorytm, model, predykcja
    • Regresja i klasyfikacja
    • Błąd, metody jego pomiaru i porównywania
    • Uczenie nadzorowane, nienadzorowane. Uczenie ze wzmocnieniem (RL)
    • Krótki przegląd rodzajów technologii AI
  8. Drzewa decyzyjne. Regresja i regresja logistyczna – zapoznanie uczestników z modelami drzew decyzyjnych oraz regresji logistycznej, na przykładzie wyboru leku lub terapii dla pacjentów. Słuchacze nauczą się, jak działają i jak tworzyć drzewa decyzyjne na podstawie przykładowych danych medycznych, aby identyfikować optymalne opcje leczenia.
    • Wprowadzenie do drzew decyzyjnych
      • Podstawowe pojęcia drzew decyzyjnych
      • Struktura drzewa decyzyjnego
      • Algorytmy tworzenia drzew decyzyjnych
    • Zastosowania drzew decyzyjnych w medycynie
      • Diagnoza chorób / procedury medyczne
      • Wybór leku lub terapii
      • Prognozowanie wyników leczenia
    • Tworzenie drzewa decyzyjnego do wyboru leku/terapii
      • Zbieranie i czyszczenie danych medycznych
      • Przygotowanie danych do analizy
      • Budowa drzewa decyzyjnego
    • Interpretacja drzewa decyzyjnego
      • Ocena dokładności drzewa decyzyjnego
      • Wizualizacja drzewa decyzyjnego
      • Wyciąganie wniosków z drzewa decyzyjnego
    • Zastosowanie drzewa decyzyjnego w praktyce medycznej
      • Wspomaganie procesu podejmowania decyzji o leczeniu
      • Komunikacja z pacjentami o wynikach analizy
      • Monitorowanie wyników leczenia
    • Wprowadzenie do regresji logistycznej
      • Pojęcie regresji. Przypomnienie najprostszej regresji liniowej
      • Regresja logistyczna. Podstawowe pojęcia
      • Algorytm regresji logistycznej
      • Interpretacja wyników regresji logistycznej
      • Zastosowanie regresji logistycznej na przykładzie ochronie zdrowia
      • Implementacja regresji logistycznej
    • Case study: podejmowanie decyzji w ochronie zdrowia – wybór leku kardiologicznego na podstawie wyników badań laboratoryjnych. Zastosowanie dwóch różnych modeli ML do tego samego problemu.
  9. Systemy rekomendacyjne. Uczenie maszynowe na przykładzie e-commerce i w branży rozrywkowej – prezentacja wykorzystania regresji logistycznej w e-commerce. Uczestnicy nauczą się, jak stosować tę metodę do analizy danych o zachowaniu klientów i podejmowania decyzji biznesowych, które mogą zwiększyć sprzedaż i konwersję.
    • Zastosowanie regresji logistycznej w e-commerce
      • Predykcja (przewidywanie) konwersji
      • Segmentacja klientów
      • Rekomendacje produktów
      • Optymalizacja kampanii marketingowych
    • Implementacja regresji logistycznej w e-commerce
      • Zbieranie i czyszczenie danych
      • Przygotowanie danych do analizy
      • Budowa modelu regresji logistycznej
      • Ewaluacja modelu regresji logistycznej
    • Case study: zastosowanie regresji logistycznej w praktyce e-commerce.
  10. Metoda najbliższych sąsiadów (k-NN), collaborative filtering i o tym, dlaczego Netflix zapłacił 1 mln $ za algorytm uczenia maszynowego do rekomendacji filmów i nie użył go – wykorzystanie metody najbliższych sąsiadów (k-nearest neighbors) i collaborative filtering do rekomendacji filmów. Kursanci nauczą się, jak stosować te metody do analizy danych o preferencjach użytkowników – na przykładzie rekomendowania przez aplikację filmów, które prawdopodobnie im się spodobają.
    • Wprowadzenie do rekomendacji produktów
      • Podstawowe pojęcia rekomendacji produktów
      • Wyzwania związane z rekomendowaniem produktów
      • Różne metody rekomendacji produktów
    • Metoda najbliższych sąsiadów (k-NN)
      • Podstawowe pojęcia metody k-NN
      • Wykorzystanie k-NN do rekomendacji filmów
      • Tuning parametrów k-NN
    • Collaborative filtering
      • Podstawowe pojęcia collaborative filtering
      • Różne rodzaje collaborative filtering
      • Wykorzystanie collaborative filtering do rekomendacji filmów
    • Ewaluacja systemów rekomendacji filmów
      • Metryki ewaluacji systemów rekomendacji
      • Porównywanie różnych metod rekomendacji
      • Optymalizacja systemu rekomendacji
    • Zastosowania rekomendacji produktów w praktyce
      • Implementacja systemu rekomendacji produktów
      • Wykorzystanie rekomendacji produktów w serwisach streamingowych
      • Wykorzystanie rekomendacji produktów w sklepach internetowych
    • Case study: demo opracowania systemu rekomendacji filmów.
  11. Wprowadzenie do Deep Learning. Głębokie sieci neuronowe w przetwarzaniu tekstu i obrazów – wprowadzenie do uczenia głębokiego (deep learning). Architektura systemów i wybrane zastosowania w przetwarzaniu tekstów i obrazu.
  12. Przetwarzanie języka naturalnego (NLP) na przykładzie badania sentymentu wypowiedzi klientów (reakcje na produkt, usługę, brand) – celem jest zapoznanie uczestników z podstawami przetwarzania języka naturalnego (Natural Language Processing – NLP) oraz z praktycznymi zastosowaniami tej dziedziny w różnych obszarach.
    • Wprowadzenie do NLP
      • Podstawowe pojęcia NLP
      • Architektura systemów NLP
      • Wybrane algorytmy NLP
    • Analiza tekstu
      • Przedstawianie i normalizacja tekstu
      • Segmentacja tekstu
      • Morfologia i tagowanie części mowy
      • Składnia i analiza składniowa
      • Semantyka i analiza semantyczna
    • Generowanie tekstu
      • Podstawowe techniki generowania tekstu
      • Generowanie tekstu opartego na regułach
      • Generowanie tekstu statystyczne
      • Generowanie tekstu oparte na sieciach neuronowych
    • Omówienie wybranych zastosowań NLP
      • NLP w wyszukiwarkach internetowych
      • NLP w systemach rekomendacyjnych
      • NLP w chatbotach
      • NLP w analizie opinii
      • NLP w przetwarzaniu języków obcych
    • Case study: analiza sentymentu dotyczącego produktu/usługi/marki.
  13. Przetwarzanie obrazów. Przewidujemy odmę opłucnową lub COVID19 na podstawie zdjęć RTG – zapoznajemy słuchaczy z technologią przetwarzania obrazów oraz z praktycznymi zastosowaniami tej dziedziny w wybranych obszarach.
    • Wprowadzenie do przetwarzania obrazów i deep learning
      • Podstawowe pojęcia przetwarzania obrazów i deep learning
      • Architektura sieci neuronowych konwolucyjnych (CNN)
      • Wybrane algorytmy przetwarzania obrazów i deep learning
    • Przedstawianie i wstępna obróbka obrazów
      • Formaty plików obrazów
      • Czytanie i zapisywanie obrazów
      • Konwersja formatów obrazów
      • Podstawowe operacje na obrazach (przycinanie, zmiana rozmiaru, zmiana koloru)
    • Segmentacja obrazu
      • Segmentacja obrazu oparta na progach
      • Segmentacja obrazu oparta na regionach
      • Segmentacja obrazu oparta na krawędziach
    • Rozpoznawanie obiektów
      • Klasyfikacja obrazów
      • Detekcja obiektów
      • Lokalizacja obiektów
    • Zastosowania przetwarzania obrazów i deep learning
      • Przetwarzanie obrazów medycznych
      • Analiza zdjęć satelitarnych
      • Rozpoznawanie twarzy
      • Automatyczne generowanie obrazu
    • Case study: predykcja odmy opłucnowej (lub innej choroby, w zależności od użytego podczas prezentacji zbioru danych) na podstawie zdjęć RTG.
  14. Analiza anomalii. Nadużycia w systemach finansowych – wprowadzenie do metod analizy anomalii i zastosowań sztucznej inteligencji w finansach – w szczególności do wykrywania i walki z nadużyciami.
    • Wprowadzenie do analizy anomalii
      • Podstawowe pojęcia analizy anomalii
      • Rodzaje anomalii (punktowe, kontekstowe, zbiorowe)
      • Wyzwania związane z wykrywaniem anomalii
    • Metody wykrywania anomalii
      • Metody statystyczne
      • Metody uczenia maszynowego
      • Metody oparte na sieciach neuronowych
    • Zastosowania analizy anomalii w systemach finansowych
      • Wykrywanie oszustw płatniczych
      • Wykrywanie prania brudnych pieniędzy
      • Wykrywanie manipulacji rynkiem
    • Implementacja analizy anomalii w systemach finansowych
      • Wybór odpowiedniej metody
      • Przygotowanie danych
      • Ewaluacja modeli
    • Case study: analiza anomalii przykładowych danych finansowych/transakcyjnych.
  15. Elementy zarządzania projektami AI. Cykl życia projektu uczenia maszynowego. Metodyka CRISP-ML(Q).
    • Wprowadzenie do CRISP-ML(Q)
    • Omówienie elementów metodyki.
    • Etapy procesu uczenia maszynowego.
    • Zbieranie i czyszczenie danych
    • EDA (Analiza Eksploracyjna Danych)
    • Budowanie i ewaluacja modelu
    • Tuning hiperparametrów
    • Wdrażanie i monitorowanie modelu
    • Zarządzanie projektami Al, metodyki i zarządzanie zespołami
  16. Wdrażanie dużych modeli językowych bez korzystania z chmury – na przykładzie Llama 3.
    • Sytuacje i wymagania (m.in. regulacyjne), gdy nie chcemy lub nie możemy korzystać z rozwiązań chmurowych
    • Demonstracja implementacji rozwiązania na własnej infrastrukturze (on-premise) w oparciu o model Llama3
  17. Zagadnienia etyczne i prawne w AI oraz wybrane narzędzia pomocnicze.
    • Etyczne wykorzystanie AI i uczciwość modeli
    • Zarządzanie prywatnością
    • Regulacje AI w różnych regionach
    • Społeczne implikacje AI
    • Aspekty prawne i prawa autorskie
    • Prezentacja innych, wybranych modeli i usług: Whisper (rozpoznawanie mowy – ASR i jego zastosowania), Sora (generowanie filmów na podstawie tekstu)

Pobierz w wersji PDF

Training also available in English.

Przeznaczenie i wymagania

Program specjalnie stworzony dla osób technicznych, kierowników i i dyrektorów IT oraz programistów na co dzień tworzących “ogólne” aplikacje chcących wykorzystać AI do usprawnienia i automatyzacji swoich zadań.

Certyfikaty

Uczestnicy szkolenia otrzymują imienne certyfikaty sygnowane przez ALX.

Zapisz się

Wybierz interesujący Cię termin oraz miasto

Zdalnie:

Żaden termin nie pasuje?

Podaj swój adres e-mail, a my powiadomimy Cię o przyszłych terminach

Masz pytanie?

Tu możesz zadać niezobowiązujące i szybkie pytanie na temat szkolenia

* Wyrażam zgodę na przetwarzanie danych osobowych przez ALX Academy sp. z o.o. z siedzibą w Warszawie w celu realizacji zgłoszenia.