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
- 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)
- 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
- 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
- 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
- Inne usługi i ich integracje z ChatGPT – generowanie obrazów.
- Generowanie obrazów i grafik: DALL-E i jego integracja z ChatGPT na poziomie interfejsu WWW
- 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
- 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
- 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.
- Wprowadzenie do drzew decyzyjnych
- 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.
- Zastosowanie regresji logistycznej w e-commerce
- 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.
- Wprowadzenie do rekomendacji produktów
- 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.
- 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.
- Wprowadzenie do NLP
- 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.
- Wprowadzenie do przetwarzania obrazów i deep learning
- 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.
- Wprowadzenie do analizy anomalii
- 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
- 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
- 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)
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.
