Loading…
Süni İntellekt Mühəndisliyi Kursu
Saat: 168
Həftəlik dərs sayı: 3
Müddət: 7 Ay
-1782397334834.webp&w=1920&q=85)
Kurs Haqqında
Süni İntellekt Mühəndisi kimdir və nə edir?
Süni intellekt mühəndisi süni intellekt sistemlərini, maşın öyrənməsi modellərini və AI əsaslı həlləri real rəqəmsal məhsullara çevirən mütəxəssisdir. Süni intellekt mühəndisliyi bu gün proqramlaşdırma, data analizi, machine learning, deep learning, böyük dil modelləri və avtomatlaşdırma texnologiyalarını birləşdirən ən aktual İT istiqamətlərindən biridir.
Süni intellekt mühəndisi chatbotlar, tövsiyə sistemləri, semantik axtarış, sənəd analizi, görüntü tanıma, mətn emalı və avtomatlaşdırılmış AI alətləri üzərində işləyir. Bu mütəxəssis yalnız model qurmaqla kifayətlənmir, həm də hazırlanmış süni intellekt həllərinin real sistemlərə inteqrasiyasını, sürətli və təhlükəsiz işləməsini təmin edir.
Süni İntellekt Mühəndisliyi Kursu bu sahədə karyera qurmaq istəyənlər üçün Python, data ilə işləmə, machine learning, deep learning, NLP, computer vision, LLM, RAG sistemləri və AI məhsullarının hazırlanması üzrə mərhələli tədris proqramı təqdim edir. Kurs müddətində iştirakçılar süni intellektin necə işlədiyini öyrənir, AI modelləri hazırlayır və biliklərini real layihələr üzərində tətbiq edirlər.
JET Academy-də Süni İntellekt Mühəndisliyi Kursu süni intellekt mühəndisi olmaq, AI sahəsində biliklərini inkişaf etdirmək və gələcəyin ən çox tələb olunan texnologiya istiqamətlərindən birində karyera qurmaq istəyənlər üçün nəzərdə tutulub.
- Data Types, Variables, Operatorlar, Type Casting
- Object-Oriented Programming: Siniflər, Inheritance, Polymorphism, Dunder Metodlar
- Matplotlib və Seaborn: Statistik qrafiklər, Subplots, Styling
- Mini-layihə: Real dataset üzərində end-to-end exploratory data analysis (EDA)
- Vektorlar, Matrislər, Matris Əməliyyatları, Dot Product
- Norms, Məsafə Metrikləri (Euclidean, Cosine, Manhattan)
- Təsviri Statistika: Mean, Median, Variance, Std Dev, Skewness, Kurtosis
- Ehtimal Əsasları: Random Variables, PDF, PMF, CDF
- Fərziyyələr: Homoscedasticity, Multicollinearity (VIF), Durbin-Watson
- Model İnterpretasiyası: SHAP values, LIME, Feature Importance plots
- Qiymətləndirmə: Confusion Matrix, ROC-AUC, F1, Precision-Recall curves
- Müştəri segmentasiyası üçün RFM Analysis
- Loss Funksiyaları: BCE, CCE, MSE; Optimizers: SGD, Adam, AdamW
- Neyron şəbəkələri üçün Optuna ilə Hyperparameter tuning
- Sənədlər üzərində Q&A chatbot qurulması (end-to-end RAG layihəsi)
- LangChain əsasları: Chains, PromptTemplates, Retrievers, Document Loaders
- Klassik Arxitekturalar: VGG-16, ResNet-50, EfficientNet
- OCR əsasları: Tesseract, EasyOCR — praktiki mətn çıxarılması
- Time Series anlayışları: Trend, Seasonality, Stationarity
- Qiymətləndirmə: MAE, RMSE, MAPE, SMAPE
- MLOps icmalı: ML sistem dizaynı, production-da problem nöqtələri
- İnteraktiv Tətbiqlər: Streamlit və Gradio — demo və daxili alətlər
- Model Monitorinqi: Data Drift (Evidently AI), Model Drift, alerting
- Production ML-də xərc optimallaşdırılması və latency trade-off-ları
- LLM Qiymətləndirməsi: BLEU, ROUGE, BERTScore, RAGAS framework, human eval
- AI Etikası və Responsible AI: bias, fairness, transparency, guardrails
- RAGAS ilə RAG qiymətləndirməsi: context precision, faithfulness, answer relevancy
- Capstone Layihəsi: FastAPI deployment ilə production-səviyyəli RAG + Agent sistemi
Qeydiyyatdan keç
Tez-tez verilən suallar
Bizə tez-tez verilən suallar və onların cavabları ilə aşağıda tanış ola bilərsiniz.