Adatmérnökség

A legtöbb szervezetben az adatmérnök felelős az adatok integrálásáért, átalakításáért és konszolidálásáért különféle strukturált és strukturálatlan adatforrásokból, hogy azok alkalmassá váljanak elemzési megoldások létrehozására. Ebben a képzési modulban hasznos technikákat és eszközöket mutatunk be hatékony adatplatformok építéséhez. Adatelemzőként vagy adatmérnökként azt is megtanulhatja, hogyan biztosítsa, hogy az adatfolyamatok és adattárolók magas teljesítményűek, hatékonyak, rendezettek és megbízhatóak legyenek, figyelembe véve az adott üzleti követelményeket és korlátokat.

Adatvizualizáció és adatelemzés

Egy adatelemző lehetővé teszi a vállalkozások számára, hogy maximalizálják adatvagyonuk értékét vizualizációs és jelentéskészítő eszközök segítségével. Ebben a képzési modulban az adatelemzők megtanulják, hogyan tervezzenek és építsenek skálázható és hatékony adatmodelleket, hogyan engedélyezzék és valósítsák meg az előrehaladott elemzési képességeket a jelentésekben, és hogyan alakítsák át a nyers adatokat releváns és értelmes betekintésekké.

Adatvagyon gazdálkodás

Az adatkezelési folyamatok, irányelvek, szerepkörök, mérőszámok és szabványok összessége, amelyek biztosítják az információk hatékony és eredményes felhasználását. Segít továbbá olyan adatkezelési gyakorlatok kialakításában, amelyek biztosítják az adatok biztonságát, magánéletét, pontosságát és használhatóságát az adat teljes életciklusa során. Számos célzott szolgáltatás és módszertan áll rendelkezésre az adatvagyon gazdálkodás tervezéséhez és megvalósításához a modern kor kihívásainak megfelelően.

Gépi tanulás

Ez a modul átfogó bevezetést nyújt a gépi tanulásba (ML), amely lefedi a kulcsfontosságú fogalmakat, technikákat és algoritmusokat. A gépi tanulás történetének és alkalmazásainak áttekintésével kezdődik, majd rátér a felügyelt, felügyelet nélküli és megerősítéses tanulásra. A témák közé tartoznak a döntési fák, az ensemble módszerek (Random Forest, XGBoost), valamint a neurális hálózatok, különös tekintettel a képfeldolgozásban használt Konvolúciós Neurális Hálózatokra (CNN-ekre) és a természetes nyelvfeldolgozásban használt Transzformerekre, beleértve az olyan modelleket, mint a GPT. A gyakorlati foglalkozások a gépi tanulás adatgyűjtésére és feldolgozására, ML keretrendszerekre (TensorFlow, PyTorch), valamint a modellek értékelésére összpontosítanak. A modul a valóságos alkalmazással, optimalizálással és a felelős gépi tanulásra helyezett hangsúllyal zárul, figyelembe véve a magánélet, biztonság és etikai szempontokat.

Gépi tanulás műveletek

Ez a modul az MLOps (Machine Learning Operations) kérdéskörét járja körül, vagyis azt, hogy hogyan lehet hatékonyan és skálázhatóan működtetni az ML rendszereket valós üzleti környezetben. A személyes és online előadások gyakorlati példákon keresztül mutatják be az MLOps legfontosabb módszereit és technikáit. A résztvevők először megismerkednek az ML rendszerek tervezésének alapjaival, különös figyelmet fordítva az üzleti célok és az ML célok összehangolására. Ezt követően a legjobb gyakorlatok mentén bemutatjuk az egyes komponensek működését. A főbb témák közé tartozik az adatmérnökség, az adatelőkészítés, a jellemzők kinyerése, a modellek fejlesztése, értékelése és bevezetése, valamint az adateltolódások nyomon követése. A modul foglalkozik továbbá a folyamatos tanulással, az MLOps eszközökkel és infrastruktúrával, valamint a gépi tanulás emberi tényezőivel, mint például a felhasználói élmény, a csapatstruktúra és a felelős mesterséges intelligencia gyakorlatok.

Nyelvi modellek és generatív mesterséges intelligencia

Ez a modul egy sor előadást tartalmaz a mesterséges intelligencia, a gépi tanulás és a prompt mérnöki tudomány témakörében. Bemutatja a legfontosabb fogalmakat, mint az AI modellek, sorozat-sorozat hálózatok és a nagy nyelvi modellek (LLM-ek). A témák közé tartoznak a prompt mérnöki gyakorlati és elméleti alapjai, szerepe a kódgenerálásban, adatfeldolgozásban és hibakeresésben. További területek közé tartoznak a RAG rendszerek, AI biztonság, felelős kódgenerálás, valamint a legújabb generatív modellek és API-k. Opcionális témák tárgyalják a generatív művészetet, az érzelemelemzést és az AI által generált tartalom etikai kérdéseit.

Mesterséges intelligencia használata a vállalati környezetben

Ez a modul az AI asszisztensek, különösen a Microsoft Copilot lehetőségeit tárja fel különböző vállalati ágazatokban. Gyakorlati felhasználási eseteket mutat be üzleti vezetők, jogi tanácsadók és HR szakemberek számára. Továbbá, bemutatja, hogyan lehet alkalmazni a generatív AI-t (GenAI) a szoftverfejlesztési életciklus során, a követelményanalízistől a karbantartásig, olyan eszközök segítségével, mint a ChatGPT és a GitHub Copilot, amelyek támogatják és automatizálják a feladatokat, mint például a kódolás, tesztelés és telepítés.

Mesterséges intelligencia jogi és megfelelőségi aspektusai

Ez a modul a mesterséges intelligenciával kapcsolatos aktuális jogi szabályozásokra összpontosít, különösen az új EU AI szabályozás és annak megfelelőségi követelményeire. A kurzus részletes áttekintést nyújt a technológiai szabályozásról, feltárva a legfontosabb gyakorlati kérdéseket és kihívásokat. A résztvevők átfogó képet kapnak az AI jogi szabályozási környezetéről, és a kurzus során megszerzett tudásukkal jobban felkészülnek arra, hogy eligazodjanak és kezeljék a gyorsan változó megfelelőségi kihívásokat. A modul AI műveltségi, etikai és jogi képzést is biztosít, ahogy azt az AI rendszer szolgáltatók és felhasználók számára az AI szabályozás előírja.