Mesterséges intelligencia fejlesztő tanfolyam

Az összes óra, alkalom, gyakorlat orientált 70% gyakorlat – 30% elmélet

1 – 2 alkalom:

Kezdésként az alapokkal ismerkedünk, már az első órán- építünk és tesztelünk gépi tanulási modelleket. Képfelismerésre, kézzel írott karakterek felismerésére vesszük rá az általáunk feljlesztett rendszert. Élvezetes, jó alapokat biztosító bevezetés.

• A Google collab fejlesztő környzet használata
• A numpy, a matplotlib python (A.I. Dev) könyvtárak használata
• Neurális hálók működése, alapfogalmak és alapműveletek (backpropagation, neuron stb.)
• Adat formázás, dataset-ek, adatelőkészítés
• ANN – Artificial Neural Network
• Ezeken az órákon is már működő AI modelleket hozzunk létre

3 – 4 alkalom:

Marad a fő téma a Neurális háló és AI modellek készítése. De a tétet itt már emeljük. Természetesen itt is a gyakorlaton van a hangsúly!

• A Tensorflow és Keras A.I. fejlesztő könyvtárak ismertetése
• CNN Convolutional Neural Network – A Neurális hálók modernebb verziója
• Transfer learing és PRE-Trained network, amikor egy erős alap AI modellt, tovább tanítunk speciálsi célokra
• Megismerkedünk a Kaggle, online fejlesztői környzettel

5 – 6 alkalom:

Ezeken az alkalmakon a Nyevi modelleké a főszerep.

• Megnézzük hogyan működnek! Megismerkedünk a Vector adatbázisokkal, a Dimenziókkal AI értelemben, token, tokenizációs művelet.
• Használjuk az OPENAI-API rendszerét, de egyéb nagy nyelvi modelleket is munkára fogunk
• API és vagy letötlehető AI modelleknek adunk STT – TTS Speech to text | Text to speech feladatokat.
• Elsőre itt kerül szóba a Hugging Face online fejlesztői környzet, amelyet itt nyelvi feladatokra, későbbi alkalmakon más célokra és Deployment-re azaz „munkára fogás-ra” fogunk használni

7 – 8 alkalom:

Sokak kedvence a Computer Vision alkalmaink ezek.

• Ezen az alkalmon az emberek, test részeinek az észlelése lesz a fő feladat, test, arc, szem, kéz ujjak. A mediapipe és opencv library lesz a segítségünkre. Megbeszéljük az alap Computer vision taskokat, fogalmakat.
• Az Ultralytics rendszerét és finomhangolását nézzük, részletes és változatos object detection feladatoknak tesszük ki őket. Itt a tárgyak észlelése a fő szempontunk és az ezekkel kapcsolatos automatizáció

9 – 10 alkalom:

• 9 -> zseniális óra -> itt több deployement megoldást is nézünk azaz hogyan lehet a működő AI vagy Machine learning modellünket gyorsan, egyszerűen munkába állítani, elérhetővé tenni akár online.
• 10 alkalmon vegyes az óramenet:
  • megnézzük a Google Vertex API rendszerét. Sokban hasonlít az OPENAI szisztémájára, de sok olyan dologban is erős, amiben a „chatgpt” nem annyira.
  • Illetve itt beszélünk először a rendkívül fontos és izgalmas Machine learning algoritmusokról… gyönyörű téma

11.alkalom – Ez a Reinforcement learning 1 – alapok óránk

• A Megerősítéstes tanulás, annak minden alap fogalma kerül itt szóba. Python kód alapon építünk egy Jutalmazó rendszert ami magát fejleszti

12.alkalom – Ez a Reinforcement learning 2 – Haladó óránk

• Itt már egy komolyabb Q-learning – Q-Table, majd később még az órán a Deep Q-learning rendszert tanuljuk. A reinforcement learning a jövő robotjainak és AI modelljeinek fejlesztési alapja

13. alkalom –  Computer Vision – Low (de nagyon PRO) code rendszer

• Az egyik legnagyobb piaci szereplő low code rendszerét gyakoroljuk.
• Profi Computer vision taskok, nagy egyzserű grafikus felületen

14. alkalom – Computer Vision Haladó – Szoftverfejlesztés

• Step-by step egy komoly Grafikus GUI appot hozzunk létre a számítógépes látás területén. Emberi mozgást – metakommunikációt fog figyleni a robotunk és az alapján jelez, működik

A képzés végén a diákok vizsgát tudnak tenni.

A sikeresen vizsgázott hallgatók készíthetnek portfólió projektet. Egy „munkadarabot”, amit később állásinterjún vagy munkahelyen lehet prezentálni. Ezt a folyamatot is végigkövetjük a hallgatóval és segítjük az megvalósítást az ötlettől a kész „végtermékig”