Schița de curs
Modulul 1: Python de bază pentru fluxurile de lucru ML
• Lansarea cursului și configurarea mediului
Alinează obiectivele și configurează un spațiu de lucru reproducibil pentru ML în Python
• Elemente esențiale ale limbajului Python (intensiv)
Revizuiește sintaxa, fluxul de control, funcțiile și tiparele comune în proiectele ML
• Structuri de date pentru ML
Liste, dicționare, mulțimi și tupluri pentru trăsături, etichete și metadate
• Compreensiuni și instrumente funcționale
Exprimă transformările folosind compreensiuni și funcții de ordin superior
• Python orientat pe obiect pentru dezvoltatorii ML
Clase, metode, compoziție și decizii practice de design
• dataclasses și modelare ușoară
Containere tipizate pentru configurații, exemple și rezultate
• Decoratori și context managers
Patroni de temporizare, memorie cache, logging și execuție sigură a resurselor
• Lucrul cu fișiere și căi
Manipulare robustă a seturilor de date și formate de serializare
• Excepții și programare defensivă
Scrierea scripturilor ML astfel încât să eșueze în mod sigur și transparent
• Module, pachete și structură proiect
Organizarea codului reutilizabil pentru ML
• Tipare și calitate a codului
Tipare (type hints), documentație și structură prietenoasă cu linting-ul
Modulul 2: Python Numeric, SciPy și Manipularea Datelor
• Fundamentele NumPy pentru calcul vectorizat
Operațiuni eficiente cu array-uri și programare conștientă de performanță
• Indexare, slicing, broadcasting și forme
Manipularea sigură a tensorilor și raționamentul privind formele
• Elemente de algebră liniară cu NumPy și SciPy
Operații stable cu matrici și descompuneri utilizate în ML
• Aprofundare SciPy
Statistici, optimizare, ajustarea curbelor și matrici rare
• Pandas pentru datele ML tabulare
Prelucrarea, unirea, agregarea și pregătirea seturilor de date
• Aprofundare scikit-learn
Interfața estimatorilor, pipeline-uri și fluxuri de lucru reproducibile
• Elemente esențiale de vizualizare
Diagrame diagnostice pentru explorarea datelor și comportamentul modelului
Modulul 3: Tipare de Programare pentru Construirea Aplicațiilor ML
• De la notebook la proiect menținabil
Refactorizarea codului exploratoriu în pachete structurate
• Gestionarea configurației
Parametrii externalizați și validarea la start
• Logging, avertismente și observabilitate
Logging structurat pentru sisteme ML depanabile
‧ Componente reutilizabile cu OOP și compoziție
Design-ul transformatorilor și predictorilor extensibili
• Tipare de design practice
Tiparele Pipeline, Factory sau Registry, Strategy și Adapter
• Validarea datelor și verificarea schemelor
Prevenirea problemelor ascunse ale datelor
• Performanță și profilare
Identificarea bottleneck-urilor și aplicarea tehnicilor de optimizare
• Interfețe I/O și inferență a modelului
Persistență sigură și interfețe curate de predicție
• Mini-proiect end-to-end
Flux de lucru ML stil producție cu configurație și logging
Modulul 4: Învățare Statistică pentru Date Tabulare, Text și Imagine
• Fundamentele evaluării
Împărțirea datelor de antrenament și validare, validarea încrucișată onestă și metricile aliniate la business
• ML avansat pentru date tabulare
GLM regularizate, ensemble-uri de arbori și preprocesare fără scurgere de date (leakage)
• Calibrare și incertitudine
Scaling Platt, regresie izotonica, bootstrap și predicție conformală
• Metode clasice de NLP
Alegerea strategiilor de tokenizare, TF-IDF, modele liniare și Naive Bayes
• Modelarea subiectelor (Topic modelling)
Fundamentele LDA și limitările practice
• Viziune computeraclasică
HOG, PCA și pipeline-uri bazate pe trăsături
• Analiza erorilor
Detectarea bias-ului, zgomotul etichetelor și corelațiile spurii
• Laboratoare practice
Flux de lucru tabular fără scurgere de date
Compararea și interpretarea baseline-urilor textuale
Baseline clasic de viziune cu analiză structurată a eșecurilor
Modulul 5: Rețele Neurale pentru Date Tabulare, Text și Imagine
• Stăpânirea buclei de antrenament
Bucle PyTorch curate cu AMP (Automatic Mixed Precision), clipping și reproductibilitate
• Optimizare și regularizare
Inițializare, normalizare, optimizatori și scheduler-e
• Precizie mixtă și scalare
Acumularea gradientelor și strategiile de checkpointing
• Rețele neurale pentru date tabulare
Înglobări categorice, combinări de trăsături și studii de ablație
• Rețele neurale pentru text
Embedding-uri, CNN-uri, BiLSTM sau GRU și manipularea secvențelor
• Rețele neurale pentru imagini
Fundamentele CNN-urilor și arhitecturi stil ResNet
• Laboratoare practice
Framework reutilizabil de antrenament
Comparație NN tabular vs boosting
CNN cu experimente de augmentare și schedulare
Modulul 6: Arhitecturi Neurale Avansate
• Strategii de transfer learning
Patroni de congelare/decongelare, rate de învățare discriminative
• Arhitecturi Transformer pentru text
Internalele atenției proprii și abordările de fine-tuning
‧ Backbone-uri vizuale și predicție densă
Concepte ResNet, EfficientNet, Vision Transformers și U-Net
• Arhitecturi avansate pentru date tabulare
TabTransformer, FT-Transformer și rețele Deep and Cross
• Considerații privind seriile temporale
Împărțiri temporale și detectarea shift-ului covariatelor
• Tehnici PEFT și eficiență
Alegerea între LoRA, distilare și cantificare
• Laboratoare practice
Fine-tuning Transformer preantrenat pentru text
Fine-tuning model vizual preantrenat
Comparație Tabular Transformer vs GBDT
Modulul 7: Sisteme AI Generative
• Fundamentele prompt engineering-ului
Prompting structurat și generare controlată
• Fundamentele LLM-urilor
Tokenizare, instruction tuning și atenuarea halucinațiilor
• Generare Augmentată de Recuperare (RAG)
Fragmentare, embedding-uri, căutare hibridă și metrici de evaluare
• Strategii de fine-tuning
LoRA și QLoRA cu controale ale calității datelor
• Modele de difuzie
Intuiția difuziei latente și adaptarea practică
• Date tabulare sintetice
CTGAN și considerente privind confidențialitatea
• Laboratoare practice
Mini-aplicație RAG stil producție
Validarea ieșirii structurate cu impunerea schemei
Experimentare opțională cu difuzie
Modulul 8: Agenți AI și MCP
• Design-ul buclei agentului
Observă, planifică, acționează, reflectă și persistă
• Arhitecturi de agenți
ReAct, planificare-execuție și coordonare multi-agent
• Gestionarea memoriei
Abordări episodică, semantică și de tip schiță (scratchpad)
• Integrarea instrumentelor și siguranța
Contrac-tele instrumentelor, izolarea (sandboxing) și apărările împotriva injectării de prompt-uri
• Cadre de evaluare
Trace-uri re-jucabile, suite-uri de sarcini și testare de regresie
‧ Interoperabilitatea bazată pe protocolul MCP
Proiectarea serverelor MCP cu expunere sigură a instrumentelor
• Laboratoare practice
Construirea unui agent de la zero
Expunerea instrumentelor prin intermediul unui server stil MCP
Crearea unei infrastructuri de evaluare cu constrângeri de siguranță
Cerințe
Participanții ar trebui să aibă cunoștințe practice de programare în Python.
Acest program este destinat profesionalilor tehnici de nivel intermediar și avansat.
Mărturii (2)
Exemplele practice, explicatiile detaliate despre cum functioneaza in spate algoritmul si codul propriu-zis.
Zamfir Alexandra-Ioana - Orange Services
Curs - AI Engineering Mastery: From Python Engineering to Production-Ready AI Systems
Cum sa faci niste echipe de agenti
